Fairness-bewusstes föderiertes Lernen mit Echtzeit-Bias-Erkennung und -Korrektur

Föderiertes Lernen (FL) ermöglicht das kollaborative Modelltraining über dezentrale Geräte hinweg, während die Privatsphäre der Benutzerdaten gewahrt bleibt. Allerdings können Unterschiede in den Datenverteilungen unter den Clients zu voreingenommenen Modellen führen, die in verschiedenen demografischen Gruppen unfair abschneiden. Dieses Papier schlägt ein fairness-bewusstes Föderiertes Lernframework vor, das mit Mechanismen zur Echtzeit-Bias-Erkennung und -Korrektur ausgestattet ist. Unser Ansatz passt die Modellaktualisierungen an, um die auf lokaler Client-Ebene erkannten Bias zu adressieren, bevor diese am zentralen Server aggregiert werden. Wir zeigen die Wirksamkeit unserer Methode durch empirische Bewertungen auf mehreren Datensätzen, die signifikante Verbesserungen in der Fairness und Modellgenauigkeit aufzeigen. Unser vorgeschlagenes Framework umfasst einen mehrstufigen Ansatz, um Fairness im Modelltrainingsprozess sicherzustellen. Zunächst setzt es lokale Bias-Erkennungstechniken auf Client-Ebene ein, um Ungleichheiten in der Modellleistung über verschiedene Gruppen hinweg zu identifizieren. Die Clients nutzen dann Mechanismen zur Bias-Korrektur, um ihre Modellaktualisierungen anzupassen und alle erkannten Bias zu berücksichtigen, bevor sie Aktualisierungen an den zentralen Server senden. Der zentrale Server aggregiert diese bias-korrigierten Aktualisierungen und stellt sicher, dass das globale Modell von gerechtem Lernen profitiert, während die Gesamtleistung aufrechterhalten wird.