論文の概要: Federated fairness-aware classification under differential privacy

• arxiv url: http://arxiv.org/abs/2603.24392v1
• Date: Wed, 25 Mar 2026 15:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.352884
• Title: Federated fairness-aware classification under differential privacy
• Title（参考訳）: 差分プライバシー下におけるフェデレーションフェアネス認識分類
• Authors: Gengyu Xue, Yi Yu,
• Abstract要約: 本研究では,差分プライバシーと公正さが連合環境における分類に与える影響について検討する。 本稿ではFDP-FairとCDP-Fairという2段階のアルゴリズムを提案する。 我々の理論的知見は、合成データと実データの両方に関する広範な数値実験によって補完される。
• 参考スコア（独自算出の注目度）: 9.340058165047717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy and algorithmic fairness have become two central issues in modern machine learning. Although each has separately emerged as a rapidly growing research area, their joint effect remains comparatively under-explored. In this paper, we systematically study the joint impact of differential privacy and fairness on classification in a federated setting, where data are distributed across multiple servers. Targeting demographic disparity constrained classification under federated differential privacy, we propose a two-step algorithm, namely FDP-Fair. In the special case where there is only one server, we further propose a simple yet powerful algorithm, namely CDP-Fair, serving as a computationally-lightweight alternative. Under mild structural assumptions, theoretical guarantees on privacy, fairness and excess risk control are established. In particular, we disentangle the source of the private fairness-aware excess risk into a) intrinsic cost of classification, b) cost of private classification, c) non-private cost of fairness and d) private cost of fairness. Our theoretical findings are complemented by extensive numerical experiments on both synthetic and real datasets, highlighting the practicality of our designed algorithms.
• Abstract（参考訳）: プライバシーとアルゴリズムの公正さは、現代の機械学習において2つの中心的な問題となっている。 それぞれが急速に成長する研究領域として別々に現れてきたが、その共同作用はいまだに未発見のままである。 本稿では,複数のサーバに分散するフェデレーション環境において,差分プライバシと公平性が協調的に与える影響について,系統的に検討する。 本稿では,FDP-Fairという2段階のアルゴリズムを提案する。 サーバが1つしか存在しない特殊な場合、計算的に軽量な代替となる単純なアルゴリズムであるCDP-Fairを提案する。 軽微な構造的前提の下では、プライバシー、公平性、過剰なリスク管理に関する理論的保証が確立される。 特に、私的公正を意識した過剰リスクの源泉を混乱させる。 a) 本質的な分類コスト b) 個人分類の費用 c) 公平性及び公正性の非私的コスト d) 公正の私的費用 我々の理論的な知見は、合成と実の両方のデータセットに関する広範な数値実験によって補完され、設計アルゴリズムの実用性を強調している。

関連論文リスト

• Fairness Meets Privacy: Integrating Differential Privacy and Demographic Parity in Multi-class Classification [6.28122931748758]
  差分プライバシーは、公平性保証に最小限の影響を与える公平性向上パイプラインに統合可能であることを示す。 我々はDP2DPと呼ばれるポストプロセッシングアルゴリズムを設計し、人口統計と差分プライバシーの両方を強制する。 分析の結果,我々のアルゴリズムは,文献から得られる最良な非私的手法と基本的に同じ割合で,その人口的平等目標に向かって収束していることが判明した。
  論文  参考訳（メタデータ） (2025-11-24T08:31:02Z)
• A Stochastic Optimization Framework for Private and Fair Learning From Decentralized Data [14.748203847227542]
  プライベート・フェア・フェデレーション・ラーニング(FL)のための新しいアルゴリズムを開発した。 我々のアルゴリズムは、サイロ間レコードレベル差分プライバシー(ISRL-DP)を満たす。 実験では、さまざまなプライバシレベルにわたるアルゴリズムのトレードオフとして、最先端の公正性・正確性フレームワークが実証されている。
  論文  参考訳（メタデータ） (2024-11-12T15:51:35Z)
• Differentially Private Fair Binary Classifications [1.8087157239832476]
  まず,公平性保証のみで分類器を学習するアルゴリズムを提案する。 次に、このアルゴリズムを改良して、差分プライバシーを取り入れます。 アダルトカードとクレディカードのデータセットで行った実証的な評価は、我々のアルゴリズムが公正性の保証の観点から最先端のアルゴリズムよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-23T20:52:59Z)
• Improving the Variance of Differentially Private Randomized Experiments through Clustering [16.166525280886578]
  差分的プライベートなメカニズムであるCluster-DPを提案する。 より高品質なクラスタを選択することで,プライバシー保証を損なうことなく,分散ペナルティを低減できることを示す。
  論文  参考訳（メタデータ） (2023-08-02T05:51:57Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
  本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。 属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。 また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
  論文  参考訳（メタデータ） (2022-08-24T17:52:43Z)
• On Deep Learning with Label Differential Privacy [54.45348348861426]
  ラベルは機密性があり、保護されるべきであるとするマルチクラス分類について検討する。 本稿では,ラベル差分プライバシを用いたディープニューラルネットワークのトレーニングアルゴリズムを提案し,いくつかのデータセットで評価を行う。
  論文  参考訳（メタデータ） (2021-02-11T15:09:06Z)
• How to Democratise and Protect AI: Fair and Differentially Private Decentralised Deep Learning [43.73144358534933]
  我々はFDPDDLと呼ばれる公平で差別的な分散型ディープラーニングフレームワークを構築している。 これにより、公正かつプライベートな方法で、より正確なローカルモデルを導出することができる。 FDPDDLは高い公正性を達成し、中央集権および分散フレームワークに匹敵する精度を示し、スタンドアロンフレームワークよりも優れた精度を提供する。
  論文  参考訳（メタデータ） (2020-07-18T09:06:10Z)

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。