F3: Fair and Federated Face Attribute Classification with Heterogeneous Data

要約

さまざまな人口統計グループ間の公平性は、顔に関連するタスクの重要な基準であり、顔属性分類（FAC）が顕著な例です。
この傾向とは別に、連合学習（FL）は、分散トレーニングのスケーラブルなパラダイムとしてますます注目を集めています。
既存のFLアプローチでは、公平性を確保するためにデータの均一性が必要です。
ただし、この仮定は、実際の設定では制限が厳しすぎます。
データの不均一性の下で公正なFACのための新しいFLフレームワークであるF3を提案します。
F3は複数のヒューリスティックを採用して、データの均一性の仮定を必要とせずに、さまざまな人口統計グループ間の公平性を向上させます。
人気のある顔のデータセットで経験的に観察された公平性の尺度と精度の保証を報告することにより、F3の有効性を示します。
私たちの結果は、F3がFACの精度と公平性の間の実際的なバランスをとることを示唆しています。

要約(オリジナル)

Fairness across different demographic groups is an essential criterion for face-related tasks, Face Attribute Classification (FAC) being a prominent example. Apart from this trend, Federated Learning (FL) is increasingly gaining traction as a scalable paradigm for distributed training. Existing FL approaches require data homogeneity to ensure fairness. However, this assumption is too restrictive in real-world settings. We propose F3, a novel FL framework for fair FAC under data heterogeneity. F3 adopts multiple heuristics to improve fairness across different demographic groups without requiring data homogeneity assumption. We demonstrate the efficacy of F3 by reporting empirically observed fairness measures and accuracy guarantees on popular face datasets. Our results suggest that F3 strikes a practical balance between accuracy and fairness for FAC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google