ترجمه فارسی مقاله استفاده از داده های مصنوعی برای کاهش بی عدالتی و حفظ حریم خصوصی از طریق آموزش فدرال تک شات

چکیده

To address unfairness issues in federated learning (FL), contemporary approaches typically use frequent model parameter updates and transmissions between the clients and server. In such a process, client-specific information (e.g., local dataset size or data-related fairness metrics) must be sent to the server to compute, e.g., aggregation weights. All of this results in high transmission costs and the potential leakage of client information. As an alternative, we propose a strategy that promotes fair predictions across clients without the need to pass information between the clients and server iteratively and prevents client data leakage. For each client, we first use their local dataset to obtain a synthetic dataset by solving a bilevel optimization problem that addresses unfairness concerns during the learning process. We then pass each client’s synthetic dataset to the server, the collection of which is used to train the server model using conventional machine learning techniques (that do not take fairness metrics into account). Thus, we eliminate the need to handle fairness-specific aggregation weights while preserving client privacy. Our approach requires only a single communication between the clients and the server, thus making it computationally cost-effective, able to maintain privacy, and able to ensuring fairness. We present empirical evidence to demonstrate the advantages of our approach. The results illustrate that our method effectively uses synthetic data as a means to mitigate unfairness and preserve client privacy.

چکیده به فارسی (ترجمه ماشینی)

برای پرداختن به موضوعات ناعادلانه در یادگیری فدرال (FL) ، رویکردهای معاصر به طور معمول از به روزرسانی های مکرر پارامتر مدل و انتقال بین مشتری و سرور استفاده می کنند.در چنین فرآیندی ، اطلاعات خاص مشتری (به عنوان مثال ، اندازه داده های محلی یا معیارهای انصاف مربوط به داده) باید برای محاسبه ، به عنوان مثال ، وزن تجمع به سرور ارسال شود.همه اینها منجر به هزینه های انتقال زیاد و نشت احتمالی اطلاعات مشتری می شود.به عنوان یک گزینه دیگر ، ما یک استراتژی را پیشنهاد می کنیم که پیش بینی های عادلانه در بین مشتری ها را بدون نیاز به انتقال اطلاعات بین مشتری و سرور به طور تکراری ترویج می کند و از نشت داده های مشتری جلوگیری می کند.برای هر مشتری ، ما ابتدا با حل یک مشکل بهینه سازی صفرا که به نگرانی های ناعادلانه در طی فرآیند یادگیری می پردازد ، از مجموعه داده های محلی آنها برای به دست آوردن یک مجموعه داده مصنوعی استفاده می کنیم.سپس ما مجموعه داده مصنوعی هر مشتری را به سرور منتقل می کنیم که از مجموعه آن برای آموزش مدل سرور با استفاده از تکنیک های یادگیری ماشین معمولی استفاده می شود (که معیارهای انصاف را در نظر نمی گیرند).بنابراین ، ما ضمن حفظ حریم خصوصی مشتری ، نیاز به رسیدگی به وزنهای خاص برای انصاف را از بین می بریم.رویکرد ما فقط به یک ارتباط واحد بین مشتری و سرور نیاز دارد ، بنابراین آن را از نظر محاسباتی مقرون به صرفه ، قادر به حفظ حریم خصوصی و قادر به اطمینان از انصاف می کند.ما شواهد تجربی را برای نشان دادن مزایای رویکرد خود ارائه می دهیم.نتایج نشان می دهد که روش ما به طور مؤثر از داده های مصنوعی به عنوان ابزاری برای کاهش ناعادلانه و حفظ حریم خصوصی مشتری استفاده می کند.