应对人口差异和数据不平衡的公平联邦学习
本研究解决了在医疗等高风险领域应用人工智能时，由于数据不平衡和人口统计偏倚导致的公平性问题。提出的FedIDA框架结合了公平性感知的正则化与组条件超采样，能够在维护联邦学习算法收敛性的同时，改进多个敏感属性和异质数据分布下的公平性。实证结果表明，FedIDA在保持竞争性预测性能的同时，显著改善了模型的公平性，展示了其在医疗领域公平与隐私保护建模中的有效性。
本研究提出了FedIDA框架，以解决医疗领域人工智能中的公平性问题。该框架结合公平性感知正则化与组条件超采样，提升了多敏感属性下的公平性，同时保持了联邦学习的收敛性。实证结果表明，FedIDA在竞争性预测性能的同时显著提高了模型的公平性。
