論文の概要: Federated Learning at the Forefront of Fairness: A Multifaceted Perspective

• arxiv url: http://arxiv.org/abs/2602.00718v1
• Date: Sat, 31 Jan 2026 13:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.3566
• Title: Federated Learning at the Forefront of Fairness: A Multifaceted Perspective
• Title（参考訳）: フェアネスの最前線におけるフェデレートラーニング:多面的視点
• Authors: Noorain Mukhtiar, Adnan Mahmood, Yipeng Zhou, Jian Yang, Jing Teng, Quan Z. Sheng,
• Abstract要約: フェデレートラーニング(FL)の公正さは、不均一なクライアントの制約と、さまざまなシナリオにおけるバランスの取れたモデルパフォーマンスによって引き起こされる重要な要因として現れています。 我々は、様々な公正に関する懸念と関連する技術的な側面を分類し、対処するためのフレームワークを提供する。 公正度を定量的に測定するために利用したいくつかの重要な評価指標について検討した。
• 参考スコア（独自算出の注目度）: 28.030155403127935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in Federated Learning (FL) is emerging as a critical factor driven by heterogeneous clients' constraints and balanced model performance across various scenarios. In this survey, we delineate a comprehensive classification of the state-of-the-art fairness-aware approaches from a multifaceted perspective, i.e., model performance-oriented and capability-oriented. Moreover, we provide a framework to categorize and address various fairness concerns and associated technical aspects, examining their effectiveness in balancing equity and performance within FL frameworks. We further examine several significant evaluation metrics leveraged to measure fairness quantitatively. Finally, we explore exciting open research directions and propose prospective solutions that could drive future advancements in this important area, laying a solid foundation for researchers working toward fairness in FL.
• Abstract（参考訳）: フェデレートラーニング(FL)の公正さは、不均一なクライアントの制約と、さまざまなシナリオにおけるバランスの取れたモデルパフォーマンスによって引き起こされる重要な要因として現れています。 本研究では,多面的視点,すなわちモデル性能指向と能力指向の観点から,最先端のフェアネス認識アプローチを包括的に分類する。 さらに、FLフレームワーク内のエクイティとパフォーマンスのバランスをとる上での有効性を検証し、様々なフェアネスの懸念や関連する技術的側面を分類し、対処するためのフレームワークを提供する。 さらに,公正度を定量的に測定するために利用したいくつかの重要な評価指標について検討した。 最後に、我々はエキサイティングなオープンな研究の方向性を探究し、この重要な領域における将来の進歩を促進するための先進的な解決策を提案し、FLの公平性を目指す研究者のための確かな基盤を構築した。

関連論文リスト

• Toward Unifying Group Fairness Evaluation from a Sparsity Perspective [14.456880823997757]
  本稿では,アルゴリズムの公平性を評価するための分散空間ベースのフレームワークを提案する。 このフレームワークは、既存の公正性基準と整合し、幅広い機械学習タスクに幅広い適用性を示す。
  論文  参考訳（メタデータ） (2025-11-01T02:02:11Z)
• Fairness in Federated Learning: Trends, Challenges, and Opportunities [12.707158627881968]
  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。
  論文  参考訳（メタデータ） (2025-08-31T11:16:16Z)
• 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)
• Chain-of-Thought Prompting for Demographic Inference with Large Multimodal Models [58.58594658683919]
  大規模マルチモーダルモデル (LMM) は、様々な研究課題において変換可能性を示している。 以上の結果から,LMMはゼロショット学習,解釈可能性,未修正入力の処理に長所があることが示唆された。 本稿では,目標外予測問題を効果的に緩和するChain-of-Thought拡張プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T16:26:56Z)
• F-Eval: Assessing Fundamental Abilities with Refined Evaluation Methods [102.98899881389211]
  F-Evalは、表現、常識、論理などの基本能力を評価するためのバイリンガル評価ベンチマークである。 参照不要な主観的タスクに対しては,APIモデルによるスコアの代替として,新たな評価手法を考案する。
  論文  参考訳（メタデータ） (2024-01-26T13:55:32Z)
• Towards Fairness-Aware Federated Learning [19.73772410934193]
  本稿では,フェデレートラーニングの大きなステップをカバーするFairness-Aware Federated Learning (FAFL) アプローチの分類法を提案する。 FAFLアプローチの性能を実験的に評価するための主要な指標について論じる。
  論文  参考訳（メタデータ） (2021-11-02T20:20:28Z)
• Fair and Consistent Federated Learning [48.19977689926562]
  フェデレートラーニング(FL)は、分散データソースから学習する能力に対する関心が高まっている。 本稿では,異なるローカルクライアント間で性能整合性とアルゴリズムフェアネスを協調的に検討するFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-19T01:56:08Z)
• Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
  データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。 我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。 我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
  論文  参考訳（メタデータ） (2021-01-18T22:55:40Z)
• A Survey on Concept Factorization: From Shallow to Deep Representation Learning [104.78577405792592]
  概念因子化(CF)は、機械学習とデータマイニングの分野で大きな関心を集めています。 まず、ルートCF法を再検討し、CFに基づく表現学習の進歩について検討する。 また、CFベースの手法の潜在的な適用領域についても紹介する。
  論文  参考訳（メタデータ） (2020-07-31T04:19:14Z)

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。