基于后处理的公正联邦学习框架

本研究解决了现有联邦学习（FL）模型训练中公正性不足的问题，提出了一种创新的后处理框架，以提升FL系统的群体公正性。该框架通过结合标准FL训练和去中心化的本地去偏阶段，实现灵活且定制的公正性改进，显著提高了公正性，同时在多数情况下保持或甚至提升了准确性。