RESFL: An Uncertainty-Aware Framework for Responsible Federated Learning by Balancing Privacy, Fairness and Utility in Autonomous Vehicles

要約

自動運転車（AVS）は、プライバシーを維持しながら知覚モデルを強化するために、フェデレートラーニング（FL）にますます依存しています。
ただし、既存のFLフレームワークは、プライバシー、公平性、堅牢性のバランスをとるのに苦労しており、人口統計グループ全体でパフォーマンスの格差につながります。
プライバシーの差動プライバシーなどのプライバシーを提供する手法は、データの漏れリスクを軽減しますが、バイアス修正に必要な機密属性へのアクセスを制限することにより公平性を悪化させます。
この作業では、AVSのFLベースのオブジェクト検出のプライバシーと公平性のトレードオフを調査し、両方を最適化する統合ソリューションであるRESFLを導入します。
RESFLには、敵対的なプライバシーの解体と不確実性ガイド付きの公平性に付与された集約が組み込まれています。
敵対的なコンポーネントは、勾配反転層を使用して機密属性を除去し、公平性を維持しながらプライバシーリスクを減らします。
不確実性が認識している集合体は、証拠的なニューラルネットワークを採用してクライアントの更新を適応的に重み付けし、公平性の格差とより高い信頼を備えた貢献を優先します。
これにより、堅牢で公平なFLモデルの更新が保証されます。
ファセットデータセットとカーラシミュレーターのRESFLを評価し、さまざまな条件下での精度、公平性、プライバシーの回復力、堅牢性を評価します。
RESFLは、検出の精度を向上させ、公平性の格差を減らし、プライバシー攻撃の成功率を低下させ、他のアプローチと比較して敵対的な状態に対する優れた堅牢性を示します。

要約(オリジナル)

Autonomous vehicles (AVs) increasingly rely on Federated Learning (FL) to enhance perception models while preserving privacy. However, existing FL frameworks struggle to balance privacy, fairness, and robustness, leading to performance disparities across demographic groups. Privacy-preserving techniques like differential privacy mitigate data leakage risks but worsen fairness by restricting access to sensitive attributes needed for bias correction. This work explores the trade-off between privacy and fairness in FL-based object detection for AVs and introduces RESFL, an integrated solution optimizing both. RESFL incorporates adversarial privacy disentanglement and uncertainty-guided fairness-aware aggregation. The adversarial component uses a gradient reversal layer to remove sensitive attributes, reducing privacy risks while maintaining fairness. The uncertainty-aware aggregation employs an evidential neural network to weight client updates adaptively, prioritizing contributions with lower fairness disparities and higher confidence. This ensures robust and equitable FL model updates. We evaluate RESFL on the FACET dataset and CARLA simulator, assessing accuracy, fairness, privacy resilience, and robustness under varying conditions. RESFL improves detection accuracy, reduces fairness disparities, and lowers privacy attack success rates while demonstrating superior robustness to adversarial conditions compared to other approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google