EFFL：缓解马修效应的联邦学习中的平等公正
原文中文，约300字，阅读约需1分钟。发表于：。提出了一种名为 Egalitarian Fairness Federated Learning (EFFL) 的方法，通过多目标优化问题来实现共享模型训练中的社会公平性，以减轻 Matthew 效应对资源不平等的影响，实现客户间的准确性和决策偏差的均等，同时提高全局模型的性能。
该文介绍了一个群体公平的联邦学习框架，使用平均条件概率计算跨领域群体重要性权重，并使用修改的乘法权重更新方法来优化表现最差的群体的性能。正则化技术被提出来最小化最差和最好表现群体之间的差异，并通过阈值机制确保在减少偏见和群体表现下降之间取得平衡。该框架在人类情绪识别和图像分类基准上进行了评估。
