Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprendizaje federado alineado con la curvatura (CAFe): armonización de los panoramas de pérdidas para lograr equidad sin demografía

Created by
  • Haebom

Autor

Shaily Roy, Harshit Sharma, Asif Salekin

Describir

Este artículo presenta un enfoque novedoso para lograr equidad, preservando la privacidad, en el aprendizaje federado (FL), denominado aprendizaje federado alineado con la curvatura (CAFe). A diferencia de los métodos de equidad de FL existentes, que se basan en información sensible de atributos, CAFe introduce el concepto de "equidad sin datos demográficos (FWD)" para lograr equidad sin información sensible de atributos. CAFe alinea las curvaturas dentro y entre clientes mediante la regularización de la curvatura del terreno de pérdida durante el aprendizaje local y la agregación entre clientes, teniendo en cuenta la nitidez del terreno de pérdida, para optimizar el equilibrio entre equidad y rendimiento. Verificamos la eficacia y la viabilidad de CAFe mediante experimentos en un entorno real de implementación de FL con diversos conjuntos de datos reales y dispositivos con recursos limitados.

Takeaways, Limitations

Takeaways:
Presentamos un método novedoso (CAFe) para lograr equidad en el aprendizaje federado sin información de atributos sensibles.
Mejore la equidad aprovechando la curvatura del terreno de pérdidas para abordar los desequilibrios entre clientes.
Verificamos su eficacia y practicidad a través de experimentos en conjuntos de datos del mundo real y entornos de implementación de FL reales.
Realizar análisis de sensibilidad sobre varios factores sistémicos (volumen de datos, muestreo de clientes, sobrecarga de comunicación, costo de recursos, rendimiento del tiempo de ejecución).
Limitations:
Las mejoras de rendimiento y equidad de CAFe pueden variar según el conjunto de datos o el entorno.
En la implementación y aplicación reales pueden surgir costos computacionales adicionales y complejidad.
Es posible que sólo sea eficaz contra ciertos tipos de sesgo, y se necesitan más investigaciones sobre su generalización a diferentes tipos de sesgo.
👍