ترجمه فارسی مقاله یک بررسی مطالعات پیشین چند کانونی در مورد حریم خصوصی و انصاف در یادگیری فدرال

چکیده

Federated Learning presents a way to revolutionize AI applications by eliminating the necessity for data sharing. Yet, research has shown that information can still be extracted during training, making additional privacy-preserving measures such as differential privacy imperative. To implement real-world federated learning applications, fairness, ranging from a fair distribution of performance to non-discriminative behaviour, must be considered. Particularly in high-risk applications (e.g. healthcare), avoiding the repetition of past discriminatory errors is paramount. As recent research has demonstrated an inherent tension between privacy and fairness, we conduct a multivocal literature review to examine the current methods to integrate privacy and fairness in federated learning. Our analyses illustrate that the relationship between privacy and fairness has been neglected, posing a critical risk for real-world applications. We highlight the need to explore the relationship between privacy, fairness, and performance, advocating for the creation of integrated federated learning frameworks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال با از بین بردن ضرورت به اشتراک گذاری داده ها راهی برای انقلابی در برنامه های هوش مصنوعی ارائه می دهد.با این حال ، تحقیقات نشان داده است که اطلاعات هنوز هم می توانند در طول آموزش استخراج شوند ، و اقدامات اضافی برای حفظ حریم خصوصی مانند ضرورت حریم خصوصی دیفرانسیل را انجام می دهند.برای اجرای برنامه های یادگیری فدرال در دنیای واقعی ، انصاف ، از توزیع عادلانه عملکرد تا رفتار غیر تبعیض آمیز ، باید در نظر گرفته شود.به ویژه در برنامه های پرخطر (به عنوان مثال مراقبت های بهداشتی) ، جلوگیری از تکرار خطاهای تبعیض آمیز گذشته بسیار مهم است.از آنجا که تحقیقات اخیر تنش ذاتی بین حریم خصوصی و انصاف را نشان داده است ، ما یک بررسی ادبیات چندوجهی را انجام می دهیم تا روشهای فعلی را برای ادغام حریم خصوصی و انصاف در یادگیری فدرال بررسی کنیم.تحلیل های ما نشان می دهد که رابطه بین حریم خصوصی و انصاف مورد غفلت قرار گرفته است و خطر مهمی برای برنامه های دنیای واقعی ایجاد می کند.ما نیاز به بررسی رابطه بین حریم خصوصی ، انصاف و عملکرد ، حمایت از ایجاد چارچوب های یادگیری یکپارچه فدراسیون را برجسته می کنیم.