[공지사항]을 빙자한 안부와 근황 
Show more

दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

FeDa4Fair: निष्पक्षता मूल्यांकन के लिए ग्राहक-स्तरीय संघीय डेटासेट

Created by
  • Haebom

लेखक

ज़ेनिया हेइलमैन, लुका कोर्बुची, मटिया सेराटो, अन्ना मोनरेले

रूपरेखा

इस शोधपत्र में, हम FeDa4Fair प्रस्तुत करते हैं, जो विषम क्लाइंट डेटा वितरणों के अंतर्गत निष्पक्ष FL विधियों के बेंचमार्किंग हेतु एक लाइब्रेरी है, और फ़ेडरेटेड लर्निंग (FL) में निष्पक्षता के मुद्दे को संबोधित करने हेतु विषम पूर्वाग्रहों वाले चार डेटासेट और बेंचमार्क प्रस्तुत करते हैं। पिछले अध्ययनों के विपरीत, जो एकल बाइनरी संवेदनशील विशेषता पर केंद्रित थे, FeDa4Fair क्लाइंट्स की विविध और संभावित रूप से परस्पर विरोधी निष्पक्षता मांगों पर विचार करके अधिक सुदृढ़ और पुनरुत्पादनीय निष्पक्षता अध्ययनों का समर्थन करता है। FeDa4Fair विभिन्न क्लाइंट पूर्वाग्रहों के अंतर्गत निष्पक्ष FL विधियों के मूल्यांकन हेतु सारणीबद्ध डेटासेट तैयार करता है और निष्पक्षता परिणामों के मूल्यांकन हेतु फ़ंक्शन प्रदान करता है।

Takeaways, Limitations

Takeaways:
संघीय शिक्षा में निष्पक्षता के मुद्दों को संबोधित करने के लिए एक नवीन बेंचमार्किंग ढांचा।
विविध और यथार्थवादी डेटासेट प्रदान करता है जो विषम ग्राहक पूर्वाग्रहों को ध्यान में रखता है।
निष्पक्षता मूल्यांकन के लिए सुविधाजनक कार्य प्रदान करके पुनरुत्पादनीय अनुसंधान का समर्थन करना।
विभिन्न ग्राहकों की परस्पर विरोधी निष्पक्षता आवश्यकताओं को ध्यान में रखते हुए अनुसंधान संभावनाओं को प्रस्तुत करना।
Limitations:
प्रस्तुत डेटासेट की सामान्यीकरणीयता के आगे सत्यापन की आवश्यकता है।
वर्तमान में उपलब्ध डेटासेट केवल सारणीबद्ध डेटा तक सीमित है। इसे अन्य डेटा प्रकारों (चित्र, पाठ, आदि) तक विस्तारित करने की आवश्यकता है।
विभिन्न निष्पक्षता अवधारणाओं और मैट्रिक्स के लिए व्यापक समर्थन का अभाव।
एकल संवेदनशील गुणों से परे जटिल संवेदनशील गुणों पर विचार का अभाव।
👍