論文の概要: Fairness in Federated Learning: Trends, Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2509.00799v1
• Date: Sun, 31 Aug 2025 11:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.400401
• Title: Fairness in Federated Learning: Trends, Challenges, and Opportunities
• Title（参考訳）: フェデレートラーニングの公正性:トレンド、課題、機会
• Authors: Noorain Mukhtiar, Adnan Mahmood, Quan Z. Sheng,
• Abstract要約: フェデレートラーニング(FL)とその分散アーキテクチャは、複数のクライアント間で協調的なモデルトレーニングを促進するために最前線に立つ。 しかし、公平性の懸念は、バイアスを引き起こし、システムの有効性を損なう可能性のある多くの異種性の源から生じる。 この調査では、データ、クライアント、モデルバイアスなど、さまざまなバイアス源を調査し、FLトレーニングプロセスにおけるこのような格差を軽減するために文献で使用されている最先端技術の配列に継承される長所と短所を徹底的に議論する。
• 参考スコア（独自算出の注目度）: 12.707158627881968
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: At the intersection of the cutting-edge technologies and privacy concerns, Federated Learning (FL) with its distributed architecture, stands at the forefront in a bid to facilitate collaborative model training across multiple clients while preserving data privacy. However, the applicability of FL systems is hindered by fairness concerns arising from numerous sources of heterogeneity that can result in biases and undermine a system's effectiveness, with skewed predictions, reduced accuracy, and inefficient model convergence. This survey thus explores the diverse sources of bias, including but not limited to, data, client, and model biases, and thoroughly discusses the strengths and limitations inherited within the array of the state-of-the-art techniques utilized in the literature to mitigate such disparities in the FL training process. We delineate a comprehensive overview of the several notions, theoretical underpinnings, and technical aspects associated with fairness and their adoption in FL-based multidisciplinary environments. Furthermore, we examine salient evaluation metrics leveraged to measure fairness quantitatively. Finally, we envisage exciting open research directions that have the potential to drive future advancements in achieving fairer FL frameworks, in turn, offering a strong foundation for future research in this pivotal area.
• Abstract（参考訳）: 最先端の技術とプライバシの懸念の交わりで、フェデレートラーニング(FL)と分散アーキテクチャは、データのプライバシを保ちながら、複数のクライアント間で協調的なモデルトレーニングを促進するために最前線に立ちます。 しかし、FLシステムの適用性は、不均一性の多くの源から生じる公平性の懸念によって妨げられ、歪んだ予測、精度の低下、非効率なモデル収束によって、システムの効率性を損なう可能性がある。 この調査では、データ、クライアント、モデルバイアスなど、さまざまなバイアス源を調査し、FLトレーニングプロセスにおけるこれらの格差を軽減するために、文献で使われている最先端技術の配列に継承される強みと限界を徹底的に議論する。 FLを基盤とした複数分野の環境における公平さと導入に関連するいくつかの概念、理論的基盤、技術的側面について概観する。 さらに,公正度を定量的に測定するために利用した健全性評価指標について検討した。 最後に、我々は、より公平なFLフレームワークの実現において将来の進歩を促進する可能性を持つ、エキサイティングなオープンリサーチの方向性を構想し、この中心的な領域における将来の研究の強力な基盤を提供する。

関連論文リスト

• ATR-Bench: A Federated Learning Benchmark for Adaptation, Trust, and Reasoning [21.099779419619345]
  本稿では,適応,信頼,推論という3つの基礎的な側面を通じて,連合学習を統一的に分析する枠組みを導入する。 ATR-Benchは、実世界の関連性を持つ連邦学習の体系的・包括的評価の基礎を築いている。
  論文  参考訳（メタデータ） (2025-05-22T16:11:38Z)
• Towards One-shot Federated Learning: Advances, Challenges, and Future Directions [7.4943359806654435]
  ワンショットFLは、1ラウンドでの協調トレーニングを可能にし、反復的なコミュニケーションの必要性を排除します。 ワンショットFLは、データローカリティを維持しながらシングルラウンドモデルアグリゲーションを可能にすることで、リソース制限デバイスをサポートする。
  論文  参考訳（メタデータ） (2025-05-05T07:46:21Z)
• Ten Challenging Problems in Federated Foundation Models [55.343738234307544]
  フェデレーション・ファンデーション・モデル(Federated Foundation Models、FedFM)は、フェデレーション・モデルの一般的な能力とフェデレーション・ラーニングのプライバシー保護能力を融合させる分散学習パラダイムである。 本稿では,FedFMに固有の10の課題について,基礎理論,プライベートデータの利用,継続学習,非学習,非IIDおよびグラフデータ,双方向知識伝達,インセンティブ機構設計,ゲーム機構設計,モデル透かし,効率を包括的に要約する。
  論文  参考訳（メタデータ） (2025-02-14T04:01:15Z)
• FedPref: Federated Learning Across Heterogeneous Multi-objective Preferences [2.519319150166215]
  Federated Learning(FL)は、トレーニングデータが分散デバイスによって所有され、共有できない設定のために開発された分散機械学習戦略である。 FLの現実的な設定への応用は、参加者間の不均一性に関連する新たな課題をもたらします。 この設定でパーソナライズされたFLを促進するために設計された最初のアルゴリズムであるFedPrefを提案する。
  論文  参考訳（メタデータ） (2025-01-23T12:12:59Z)
• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• A Survey on Federated Unlearning: Challenges and Opportunities [32.0365189539138]
  本論文は、この新興分野における研究動向と課題を特定することを目的として、未学習の未学習文学を深く研究することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T19:35:08Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• UNIDEAL: Curriculum Knowledge Distillation Federated Learning [17.817181326740698]
  フェデレートラーニング(FL)は、複数のクライアント間で協調学習を可能にする、有望なアプローチとして登場した。 本稿では,ドメイン横断シナリオの課題に対処するための新しいFLアルゴリズムであるUNIを提案する。 この結果から,UNIはモデル精度と通信効率の両面において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-09-16T11:30:29Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。