公平性
文章平均质量分 90
Sensorjang
这个作者很懒,什么都没留下…
展开
-
联邦学习论文笔记——FedFair: Training Fair Models In Cross-Silo Fedrated Learning
**本文的工作:**1)提出了一种联合估计方法,在不侵犯任何一方数据隐私的情况下,准确估计模型的公平性。2)证明了联合估计方法比局部估计模型对单个参与者的公平性更准确,这导致在跨竖井联合学习中具有更好的公平模型训练性能。3)构建了新的FedFair问题;开发了一个有效的联合学习框架来解决这个问题,而不侵犯任何一方的数据隐私。4)充分的的实验原创 2022-11-27 15:06:27 · 720 阅读 · 0 评论 -
联邦学习论文笔记——一种联邦学习中的公平资源分配方案(田家会 α-Fedavg)
首先定义用户效用:Rk=ak·pk(实际用户效用=模型准确率·聚合权重)(模型准确率指,本轮中心参数服务器下发给参与者的全局模型,经参与者自己计算后获取的的准确率)(聚合权重指,本轮中,各个节点将自己的梯度或模型参数发给中心参数服务器后,参数服务器根据【①上传的参数或梯度②上传的准确率】为各个参与者设计的聚合权重)对于每个用户来讲,即希望准确率a高也希望聚合权重p高,用乘积作为效用进一步定义系统 有效性量化E、公平性量化J:是所有用户效用的和,它越高说明整个系统的有效性越高。原创 2022-10-18 18:29:53 · 1558 阅读 · 8 评论