Core Concepts
선호도 인식 공정 연합 학습 기법(PraFFL)은 각 클라이언트의 다양한 선호도에 맞춰 모델을 적응적으로 조정할 수 있다.
Abstract
이 논문은 공정 연합 학습에서 모델 성능과 공정성 간의 trade-off 문제를 다룬다. 기존 연구들은 하이퍼파라미터를 통해 이 trade-off를 제어하였지만, 각 클라이언트의 다양한 선호도를 반영하지 못했다.
저자들은 선호도 인식 공정 연합 학습 기법(PraFFL)을 제안한다. PraFFL은 다음과 같은 특징을 가진다:
각 클라이언트의 선호도 벡터와 모델의 성능 및 공정성 간 매핑 관계를 학습한다.
개인화된 연합 학습 프레임워크를 통해 데이터 이질성 문제를 해결한다.
하이퍼네트워크를 활용해 클라이언트의 선호도 정보를 보호한다.
실험 결과, PraFFL은 기존 5개 알고리즘 대비 1%에서 14%의 성능 향상을 보였다. 이를 통해 PraFFL이 클라이언트의 다양한 선호도에 효과적으로 적응할 수 있음을 확인했다.
Stats
모델의 오류율은 11.3% ~ 44.1% 수준이다.
모델의 DP 격차는 0.0 ~ 0.76 수준이다.
모델의 하이퍼볼륨 지표는 0.226 ~ 1.1 수준이다.
Quotes
"공정성을 높이면 모델 성능이 낮아진다."
"각 클라이언트는 모델의 성능과 공정성에 대해 다양한 선호도를 가질 수 있다."