Dans cet article, nous présentons FeDa4Fair, une bibliothèque permettant d'évaluer les méthodes d'apprentissage fédéré équitables sous des distributions de données clients hétérogènes, ainsi que quatre ensembles de données et benchmarks présentant des biais hétérogènes pour répondre à la problématique de l'équité dans l'apprentissage fédéré (AF). Contrairement aux études précédentes qui se concentraient sur un seul attribut sensible binaire, FeDa4Fair permet des études d'équité plus robustes et reproductibles en prenant en compte les demandes d'équité diverses et potentiellement contradictoires des clients. FeDa4Fair génère des ensembles de données tabulaires pour évaluer les méthodes d'apprentissage fédéré équitables sous divers biais clients et fournit des fonctions permettant d'évaluer les résultats d'équité.
