FairTrade: Erreichen von Pareto-optimalen Kompromissen zwischen ausgewogener Genauigkeit und Fairness im föderierten Lernen

Da das föderierte Lernen (FL) in verteilten maschinellen Lernanwendungen an Bedeutung gewinnt, wird es entscheidend, Fairness zu erreichen, ohne die prädiktive Leistung zu gefährden. Die aus verteilten Clients in einer FL-Umgebung gesammelten Daten führen häufig zu Klassenungleichgewicht. In solchen Szenarien ist die ausgewogene Genauigkeit anstelle der allgemeinen Genauigkeit die wahre Darstellung der Modellleistung. Die meisten aktuellen fairen FL-Methoden berichten jedoch über die Genauigkeit als Maß für die Leistung, was zu irreführenden Interpretationen der Wirksamkeit des Modells zur Minderung von Diskriminierung führen kann. Soweit uns bekannt ist, stellt diese Arbeit den ersten Versuch dar, Pareto-optimale Kompromisse zwischen ausgewogener Genauigkeit und Fairness in einer föderierten Umgebung (FairTrade) zu erzielen. Durch die Nutzung von Multi-Objektiv-Optimierung verhandelt das Framework das komplexe Gleichgewicht zwischen der ausgewogenen Genauigkeit und Fairness des Modells. Das agnostische Design des Frameworks passt sich geschickt sowohl statistischen als auch kausalen Fairness-Konzepten an und gewährleistet seine Anpassungsfähigkeit in verschiedenen FL-Kontexten. Wir liefern empirische Beweise für die Wirksamkeit unseres Frameworks durch umfangreiche Experimente mit fünf realen Datensätzen und Vergleiche mit sechs Baselines. Die empirischen Ergebnisse unterstreichen das Potenzial unseres Frameworks zur Verbesserung des Kompromisses zwischen Fairness und ausgewogener Genauigkeit in FL-Anwendungen.