LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning

要約

Federated Learning（FL）は、分散型のデータソースから学習する能力に対してかなりの関心を集めています。
意思決定シナリオでのFLの適用の増加を考えると、FLのさまざまな敏感なグループ（例：女性、男性など）にわたる公平性の問題に対処することが重要です。
現在の研究は、多くの場合、各クライアントのデータ（ローカル公平性）またはすべてのクライアントのデータセット全体（グローバルフェアネス）での公平性を促進することに焦点を当てています。
ただし、ローカルまたはグローバルの公平性のみに焦点を当てた既存のアプローチは、2つの重要な課題に対処できません。（\ textBf {ch1}）統計的不均一性の下で、グローバルな公平性はローカルの公平性を暗示するものではなく、逆も同様です。
（\ textbf {ch2}）モデルに依存しない設定の下で公平性を達成します。
前述の課題に取り組むために、このペーパーでは、FLコンテキスト、つまりLogofairでローカルおよびグローバルな公平性の両方を達成するための新しいポストプロセスの枠組みを提案します。
CH1に対処するために、Logofairは、ローカルおよびグローバルな公平性の制約の下でベイズの最適分類器を探すよう努めており、これは確率的な意味で最適な精度フェアネスバランスを攻撃します。
CH2に対処するために、LogoFairは、クライアントが地元の公平性を確保しながらグローバルな公平性を協力して最適化し、それによりFL内の最適な公正分類器を達成できるモデルに依存しないフェデレーションされた後処理手順を採用しています。
3つの実際のデータセットでの実験結果は、提案されたLogofairフレームワークの有効性をさらに示しています。

要約(オリジナル)

Federated learning (FL) has garnered considerable interest for its capability to learn from decentralized data sources. Given the increasing application of FL in decision-making scenarios, addressing fairness issues across different sensitive groups (e.g., female, male) in FL is crucial. Current research often focuses on facilitating fairness at each client’s data (local fairness) or within the entire dataset across all clients (global fairness). However, existing approaches that focus exclusively on either local or global fairness fail to address two key challenges: (\textbf{CH1}) Under statistical heterogeneity, global fairness does not imply local fairness, and vice versa. (\textbf{CH2}) Achieving fairness under model-agnostic setting. To tackle the aforementioned challenges, this paper proposes a novel post-processing framework for achieving both Local and Global Fairness in the FL context, namely LoGoFair. To address CH1, LoGoFair endeavors to seek the Bayes optimal classifier under local and global fairness constraints, which strikes the optimal accuracy-fairness balance in the probabilistic sense. To address CH2, LoGoFair employs a model-agnostic federated post-processing procedure that enables clients to collaboratively optimize global fairness while ensuring local fairness, thereby achieving the optimal fair classifier within FL. Experimental results on three real-world datasets further illustrate the effectiveness of the proposed LoGoFair framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google