민감한 그룹에 대한 접근 없이 연합 공정성

현재 연합 학습에서 그룹 공정성에 대한 접근법은 훈련 중에 미리 정의되고 라벨이 붙은 민감한 그룹의 존재를 가정합니다. 그러나 새로운 규제, 역학 및 보호된 그룹의 위치 의존성 등 여러 요인으로 인해 이 가정은 많은 실제 시나리오에서는 부적합할 수 있습니다. 본 연구에서는 민감한 그룹에 대한 미리 정의된 정의나 추가 라벨에 의존하지 않고 그룹 공정성을 보장하는 새로운 접근법을 제안합니다. 우리의 목표는 연합이 최악의 경우 그룹 공정성을 보장하는 파레토 효율적인 글로벌 모델을 학습하도록 하며, 단일 하이퍼파라미터를 통해 공정성과 효용 간의 절충을 가능하게 하고, 오직 그룹 크기 제약만을 따릅니다. 이는 인구의 충분히 큰 하위 집합이 모델로부터 최소한의 효용 성능을 보장받을 수 있음을 의미합니다. 제안된 목표는 중앙 집중식 기계 학습의 경험적 위험 최소화 및 하위 그룹 강건성 목표와 같은 기존의 접근법을 특수 사례로 포함합니다. 우리는 수렴 및 초과 위험 보장을 즐기는 이 문제를 해결하기 위한 알고리즘을 제공합니다. 우리의 경험적 결과는 제안된 접근법이 불필요하게 평균 성능을 해치지 않으면서 입력된 최악의 성능 그룹을 효과적으로 개선할 수 있음을 나타내며, 관련 기준선보다 우수하거나 비슷한 성능을 보여주고, 다양한 공정성-효용 절충으로 이루어진 대규모의 해법 세트를 달성함을 보여줍니다.