Key points are not available for this paper at this time.
분산 머신 러닝 애플리케이션에서 연합 학습(FL)의 중요성이 증가함에 따라 예측 성능을 저하시키지 않으면서 공정성을 달성하는 것이 매우 중요해졌습니다. FL 환경에서 분산 클라이언트로부터 수집되는 데이터는 종종 클래스 불균형으로 이어집니다. 이러한 시나리오에서는 정확성보다는 균형 잡힌 정확성이 모델 성능의 진정한 표현입니다. 그러나 대부분의 최신 공정 FL 방법은 성능 측정으로 정확성을 보고하여 모델의 차별 완화 효과에 대한 잘못된 해석을 초래할 수 있습니다. 우리가 아는 한, 이 작업은 연합 환경에서 균형 잡힌 정확성과 공정성 간의 파레토 최적 거래를 달성하려는 첫 번째 시도를 제시합니다(FairTrade). 다중 목표 최적화를 활용함으로써, 이 프레임워크는 모델의 균형 잡힌 정확성과 공정성 간의 복잡한 균형을 조율합니다. 이 프레임워크의 불가지론적 설계는 통계적 및 인과적 공정성 개념을 능숙하게 수용하여 다양한 FL 맥락에서의 적응성을 보장합니다. 우리는 다섯 개의 실제 데이터 세트에 대한 광범위한 실험과 여섯 개의 기준선과의 비교를 통해 우리 프레임워크의 효능에 대한 실증적 증거를 제공합니다. 실증적 결과는 FL 애플리케이션에서 공정성과 균형 잡힌 정확성 간의 거래를 개선하는 우리 프레임워크의 잠재력을 강조합니다.
Badar et al. (Sun,)은 이 질문을 연구했습니다.