摘要
联邦学习使用来自多个参与者提供的数据协同训练全局模型,近年来在促进企业间数据合作方面发挥着越来越重要的作用。另外,联邦学习训练范式常常面临数据不足的困境,因此为联邦学习参与者提供公平性保证以激励更多参与者贡献他们宝贵的资源是非常重要的。针对联邦学习的公平性问题,首先依据公平目标不同,从模型表现均衡、贡献评估公平、消除群体歧视出发进行了联邦学习公平性的3种分类;然后对现有的公平性促进方法进行了深入介绍与比较,旨在帮助研究者开发新的公平性促进方法;最后通过对联邦学习落地过程中的需求进行剖析,提出了未来联邦学习公平性研究的5个方向。
关键词: 联邦学习 ; 公平性 ; 表现均衡 ; 贡献衡量
0 引言
由于