論文の概要: FairMean: Promoting Fairness in Distributed Learning under Label Poisoning Attacks

• arxiv url: http://arxiv.org/abs/2609.26377v1
• Date: Tue, 22 Sep 2026 13:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.386666
• Title: FairMean: Promoting Fairness in Distributed Learning under Label Poisoning Attacks
• Title（参考訳）: FairMean: ラベル中毒攻撃による分散学習の公平性向上
• Abstract要約: フェアミーンはフェアネスとロバストネスの対立を管理するために提案する。 重みの増大は、公正性を促進するために高貴な顧客を優先する。 実験により、FairMeanは精度のばらつきを低減し、最悪のクオリエント精度を向上させることによって公正性を促進することが示された。
• 参考スコア（独自算出の注目度）: 19.487013279805996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness-aware distributed learning prioritizes clients with large losses to reduce performance disparities, but label poisoning can create large losses, thereby inducing a fairness--robustness conflict. We propose FairMean to manage this conflict. FairMean weights client gradients using a bounded, nondecreasing function of local loss. The increasing weights prioritize high-loss clients to promote fairness, while the upper bound prevents excessive loss-induced amplification of poisoned-client gradients. In the absence of label poisoning, we show that minimizing the FairMean objective is more conducive to solution fairness than minimizing the standard average-loss objective. Under label poisoning, we establish an average-stationarity bound whose attack-dependent term is proportional to the square of the poisoned-client fraction. Experiments show that FairMean promotes fairness by reducing accuracy variance while improving worst-client accuracy.
• Abstract（参考訳）: 公正を意識した分散学習は、パフォーマンス格差を減らすために大きな損失でクライアントを優先順位付けするが、ラベル中毒は大きな損失をもたらす可能性があるため、フェアネスとロバスト性の衝突を引き起こす。 この紛争を管理するためにFairMeanを提案する。 FairMeanは、ローカル損失の非減少機能を使ってクライアントの勾配を重み付けする。 重みの増大は、高損失クライアントが公正性を促進するのを優先し、上層境界は、中毒性クライアント勾配の過剰な損失誘発増幅を防止している。 ラベル中毒がなければ,FairMeanの目標の最小化は,標準平均余剰目標の最小化よりも,ソリューションフェアネスの最小化に寄与することを示す。 ラベル中毒では, 攻撃依存項が中毒依存率の2乗に比例する平均定常境界を確立する。 実験により、FairMeanは精度のばらつきを低減し、最悪のクオリエント精度を向上させることによって公正性を促進することが示された。

関連論文リスト

• Fairis: Fairness-Aware Aggregation with Provable Influence Containment against Fairness Poisoning Attacks in Collaborative Machine Learning [1.4161980487236754]
  協調型機械学習は、グループフェアであり、意図的な敵の操作に対して堅牢でなければならない。 本稿では,サーバ側のリウェイト方式であるFairisについて述べる。 フェアリスは、全てのクライアントが厳格に肯定的な重みを保証し、そのバイアスにおいて敵の重みを単調に減らす唯一のルールであることを示す。
  論文  参考訳（メタデータ） (2026-08-06T18:02:54Z)
• Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
  ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。 ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。 PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-02T16:32:52Z)
• BadFair: Backdoored Fairness Attacks with Group-conditioned Triggers [11.406478357477292]
  BadFairは、バックドア型フェアネスアタック手法である。 BadFairは、通常の条件下で正確さと公正さで動作するモデルをステルス的に作り出すが、特定のトリガーによって起動されると、特定のグループに対して誤った結果を生成して生成する。 以上の結果から,BadFairは標的グループを標的とした攻撃で85%以上の攻撃成功率を達成したが,精度の低下は最小限であった。
  論文  参考訳（メタデータ） (2024-10-23T01:14:54Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Minimax Optimal Fair Classification with Bounded Demographic Disparity [28.936244976415484]
  本稿では,2つの保護群による公正二項分類の統計的基礎について考察する。 有限サンプルを用いると、グループ固有の受容閾値を推定する必要があるため、追加のコストが発生することを示す。 オフセットを持つグループワイドしきい値法であるFairBayes-DDP+を提案する。
  論文  参考訳（メタデータ） (2024-03-27T02:59:04Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• FairAdaBN: Mitigating unfairness with adaptive batch normalization and its application to dermatological disease classification [14.589159162086926]
  バッチ正規化をセンシティブ属性に適応させるFairAdaBNを提案する。 本研究では,FATE(Fairness-Accuracy Trade-off efficiency)と呼ばれる新しい指標を提案する。 2つの皮膚科学データセットを用いた実験により,提案手法はフェアネス基準とFATEの他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T02:22:07Z)
• Logit Margin Matters: Improving Transferable Targeted Adversarial Attack by Logit Calibration [85.71545080119026]
  クロスエントロピー(CE)損失関数は、伝達可能な標的対向例を学習するには不十分である。 本稿では,ロジットを温度係数と適応マージンでダウンスケールすることで,ロジットのキャリブレーションを簡易かつ効果的に行う2つの手法を提案する。 ImageNetデータセットを用いて実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-07T06:42:52Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)

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。