联邦学习公平性研究综述
Journal of Beijing Electronic Science & Technology Institute（2022）
Abstract
如今随着人们对于个人信息重视程度不断加深以及国家相关安全措施的大力出台,拥有能更好保护各参与方隐私安全特点的联邦学习技术近几年在工业界被越来越广泛的应用,然而一些伦理、歧视的风险伴随而来.由于联邦学习是建立在各行业间相互安全信任基础上,此项技术被越来越广泛应用于各系统的信息传输中.不过一旦系统整体训练存在歧视,便可能导致不可挽回的损失,所以公平性理应被社会各界重点关注.联邦学习公平性研究综述旨在通过认知表征、算法建模和评估决策三个层面偏差出发,以经典的案例说明不公平造成的潜在原因和导致的风险,再运用相关处理方式说明实现公平性机制,从而使得更多研究者认识到联邦学习公平的重要性,并减少在今后相关项目开发中无意识偏差引入带来的危害.
MoreKey words
federated learning,fairness,discrimination,unconscious deviation
AI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined