ترجمه فارسی مقاله تجزیه و تحلیل انصاف فدرال: کمیت انصاف در یادگیری فدرال

چکیده

Federated Learning (FL) is a privacy-enhancing technology for distributed ML. By training models locally and aggregating updates – a federation learns together, while bypassing centralised data collection. FL is increasingly popular in healthcare, finance and personal computing. However, it inherits fairness challenges from classical ML and introduces new ones, resulting from differences in data quality, client participation, communication constraints, aggregation methods and underlying hardware. Fairness remains an unresolved issue in FL and the community has identified an absence of succinct definitions and metrics to quantify fairness; to address this, we propose Federated Fairness Analytics – a methodology for measuring fairness. Our definition of fairness comprises four notions with novel, corresponding metrics. They are symptomatically defined and leverage techniques originating from XAI, cooperative game-theory and networking engineering. We tested a range of experimental settings, varying the FL approach, ML task and data settings. The results show that statistical heterogeneity and client participation affect fairness and fairness conscious approaches such as Ditto and q-FedAvg marginally improve fairness-performance trade-offs. Using our techniques, FL practitioners can uncover previously unobtainable insights into their system’s fairness, at differing levels of granularity in order to address fairness challenges in FL. We have open-sourced our work at: https://github.com/oscardilley/federated-fairness.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک فناوری تقویت حریم خصوصی برای ML توزیع شده است.با استفاده از مدلهای آموزش به روزرسانی های محلی و جمع آوری – یک فدراسیون با هم یاد می گیرد ، ضمن دور زدن جمع آوری داده های متمرکز.FL به طور فزاینده ای در مراقبت های بهداشتی ، امور مالی و محاسبات شخصی محبوب است.با این حال ، این چالش های انصاف را از ML کلاسیک به ارث می برد و موارد جدیدی را معرفی می کند ، که ناشی از تفاوت در کیفیت داده ها ، مشارکت مشتری ، محدودیت های ارتباطی ، روش های جمع آوری و سخت افزار اساسی است.انصاف همچنان یک مسئله حل نشده در FL است و جامعه عدم وجود تعاریف و معیارهای موجز را برای تعیین عدالت مشخص کرده است.برای پرداختن به این موضوع ، ما تجزیه و تحلیل انصاف فدرال را پیشنهاد می کنیم – روشی برای اندازه گیری انصاف.تعریف ما از انصاف شامل چهار مفهوم با معیارهای جدید و مربوطه است.آنها از نظر علائم تعریف شده و تکنیک های اهرمی ناشی از XAI ، تئوری بازی تعاونی و مهندسی شبکه هستند.ما طیف وسیعی از تنظیمات آزمایشی را آزمایش کردیم ، روش FL ، کار ML و تنظیمات داده را تغییر دادیم.نتایج نشان می دهد که ناهمگونی آماری و مشارکت مشتری بر روی انصاف و رویکردهای آگاهانه مانند Ditto و Q-Fedavg به طور حاشیه ای بر تجارت عدالت بهبود می یابد.با استفاده از تکنیک های ما ، پزشکان FL می توانند بینش های غیرقابل توصیف در مورد انصاف سیستم خود را در سطوح مختلف دانه بندی به منظور رفع چالش های انصاف در FL کشف کنند.ما کار خود را باز کرده ایم: https://github.com/oscardilley/federated-fairness.