사후 공정 연합 학습: 사후 처리를 통한 연합 학습에서 그룹 및 커뮤니티 공정성 달성

연합 학습(FL)은 지역 커뮤니티 집합이 각 커뮤니티 내의 훈련 데이터를 모두 유지하면서 공유된 글로벌 모델을 협력하여 학습하는 분산 기계 학습 프레임워크입니다. 최근에 연합 학습에 대한 두 가지 공정성 개념이 중요한 문제로 떠오르게 되었습니다: 그룹 공정성과 커뮤니티 공정성입니다. 그룹 공정성은 모델의 결정이 인종이나 성별과 같은 법적으로 보호되는 속성 집합에 따라 특정 그룹에 유리하지 않도록 요구합니다. 커뮤니티 공정성은 글로벌 모델이 모든 협력 커뮤니티에서 유사한 성능(정확도) 수준을 나타내야 한다고 요구합니다. 두 가지 공정성 개념은 FL 프레임워크 내에서 공존할 수 있지만, 기존 문헌은 어느 한 개념에만 집중해 왔습니다. 본 논문은 사후 공정 연합 학습(FFL) 프레임워크인 post-FFL을 제안하고 분석합니다. Post-FFL은 글로벌 모델의 유용성을 극대화하면서 그룹과 커뮤니티 공정성을 동시에 강제로 적용하기 위해 선형 프로그램을 사용합니다. Post-FFL은 사후 처리 접근 방식이기 때문에 수렴 특성이 잘 이해된 기존 FL 훈련 파이프라인과 함께 사용할 수 있습니다. 본 논문은 실제 데이터 세트를 사용하여 병원 네트워크가 커뮤니티 건강 관리를 제공하기 위해 연합 학습을 어떻게 사용하는지를 모방합니다. 이론적 결과는 post-FFL이 두 가지 공정성 개념을 시행할 때 손실되는 정확도의 경계를 설정합니다. 실험 결과는 post-FFL이 FL에서 그룹 및 커뮤니티 공정성을 동시에 향상시킨다는 것을 보여줍니다. 또한, post-FFL은 두 가지 공정성 개념, 통신 효율성, 계산 비용 개선 측면에서 기존의 프로세싱 공정 연합 학습보다 우수합니다.