Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Fairness in Federated Learning: Fairness for Whom?

Created by
  • Haebom

저자

Afaf Taik, Khaoula Chehbouni, Golnoosh Farnadi

개요

본 논문은 연합 학습(Federated Learning, FL)에서의 공정성 연구가 시스템 배포의 사회기술적 맥락을 간과하고 시스템 수준 지표 최적화에 치우쳐 있다고 주장한다. 기존 연구의 공정성 정의, 설계 결정, 평가 방식, 사용 사례에 대한 체계적인 분석을 통해, 1) 서버-클라이언트 구조에만 초점을 맞춘 공정성 규정, 2) 시뮬레이션과 사용 사례 및 맥락 간 불일치, 3) 시스템 보호와 사용자 보호의 혼동, 4) 수명주기의 특정 단계만을 대상으로 하는 개입, 5) 다중 이해관계자 간의 공정성 정의 불일치 등 5가지 문제점을 제시한다. 이러한 통찰을 바탕으로, 피해 중심의 프레임워크를 제안하여 공정성 정의를 구체적인 위험과 이해관계자의 취약성과 연결하고, 더욱 전체적이고 맥락 인식적이며 책임감 있는 FL 공정성 연구를 위한 권고안을 제시한다.

시사점, 한계점

시사점:
연합 학습에서의 공정성 연구에 대한 폭넓은 비판적 분석을 제공한다.
기존 연구의 5가지 주요 문제점을 명확히 제시하고, 이를 해결하기 위한 피해 중심 프레임워크를 제안한다.
더욱 홀리스틱하고 맥락을 고려하며 책임감 있는 연합 학습 공정성 연구를 위한 방향을 제시한다.
한계점:
제안된 피해 중심 프레임워크의 구체적인 적용 및 효과에 대한 실증적 연구가 부족하다.
다양한 이해관계자 간의 공정성 정의 충돌 해결에 대한 구체적인 방법론 제시가 부족하다.
제시된 5가지 문제점 외 추가적인 문제점에 대한 고찰이 필요하다.
👍