揭示群体特定的分布式概念漂移：联邦学习中的公正要求
内容提要
该文综述联邦学习中的概念漂移与公平性问题，涵盖漂移检测、理解与适应框架，以及FairFed、mFairFL等公平算法，通过重加权和优化方法在保护隐私的同时提升群体公平性，实验证明优于基线。
延伸解读
概念漂移与公平性的交织挑战
文章指出，联邦学习中的概念漂移会随时间改变数据分布，而不同群体可能以不同方式漂移，导致模型公平性动态变化。传统公平算法往往假设静态数据分布，难以应对这种群体特定的漂移。因此，需要同时考虑漂移检测与公平性优化，避免因漂移而加剧对某些群体的偏见。
公平算法的技术路线与权衡
文章综述了FairFed、mFairFL等算法，它们通过重加权、惩罚性经验损失最小化或差分乘数构建优化目标，在保护隐私的同时提升群体公平性。这些方法在统计异质性和客户端数量变化下仍能改善公平性，且几乎不影响准确度，但可能引入额外的计算或通信开销，需根据应用场景权衡。
实际应用中的潜力与限制
文章提到，这些公平联邦学习算法在医疗、司法等敏感领域具有潜力，能减少群体偏见并兼容本地差分隐私。然而，实验多基于基准数据集，实际部署中数据漂移模式可能更复杂，且公平性定义多样，算法效果可能因场景而异。读者需关注其泛化能力和长期公平性保障。
Q&A
联邦学习中的概念漂移是什么？为什么需要检测它？
概念漂移指数据分布随时间变化，导致模型性能下降。在联邦学习中，由于数据分散且异构，概念漂移可能发生在不同节点上，因此需要检测漂移以缓解其对模型的影响。
FairFed算法是如何在联邦学习中实现群体公平的？
FairFed算法在保证本地数据隐私的前提下，通过支持灵活的本地去偏差方法，增强群体公平性。实验表明，在数据分布不均时，它比现有公平机器学习和联邦学习算法更公平。
mFairFL方法如何同时实现组公平和客户公平？
mFairFL通过使用差分乘数构建优化目标，同时实现组公平和客户公平，且不损失隐私。理论分析证明其有助于模型公平性，实验显示其优于七个最先进的基准模型。
联邦学习中处理概念漂移的框架包含哪些主要组件？
漂移学习框架包含三个主要组件：概念漂移检测、概念漂移理解和概念漂移适应。该框架还列举了10个合成数据集和14个公共基准数据集用于评估算法性能。
AgnosticFair框架如何实现公平感知的联邦学习？
AgnosticFair使用核重新加权函数在损失函数和公平性约束中为每个训练样本分配重加权值，从而在未知测试数据上实现高精度和公正性保证。实验表明在数据转移情况下效果显著。
在联邦学习中，公平性可能面临哪些攻击？
通过控制数据隐私并引入一种新类型的攻击，可以在分布式训练中攻击公平性。这突显了在联邦学习中实现公平性的重要性以及公平性本身可能受到攻击的风险。
