L3S Best Publication of the Quarter (1/2024)
Category: Fairness
FairTrade: Pareto-optimale Kompromisse zwischen ausgewogener Genauigkeit und Fairness beim föderierten Lernen
Authors: Maryam Badar, Sandipan Sikdar, Wolfgang Nejdl and Marco Fisichella
Presented at the 38th Annual AAAI Conference on Artificial Intelligence (A* Conference)
https://ojs.aaai.org/index.php/AAAI/article/view/28971
Welches Problem lösen Sie mit Ihrer Forschung?
Die meisten modernen Methoden des fairen föderierten Lernens geben die Genauigkeit als Maß für die Leistung an, was zu falschen Interpretationen der Wirksamkeit des Modells bei der Verringerung von Diskriminierung führen kann. Unsere Arbeit zielt darauf ab, einen Pareto-optimalen Kompromiss zwischen ausgewogener Genauigkeit und Fairness in einer föderierten Umgebung (FairTrade) zu erreichen.
Was ist das Neue an Ihrer Forschung?
Unsere Arbeit ist der erste Versuch zur Anwendung der Mehrzieloptimierung, um das schwierige Gleichgewicht zwischen der ausgewogenen Genauigkeit des Modells und der Fairness auszuhandeln.
Badar, M., Sikdar, S., Nejdl, W., & Fisichella, M. (2024). FairTrade: Achieving Pareto-Optimal Trade-Offs between Balanced Accuracy and Fairness in Federated Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 38(10), 10962-10970. https://doi.org/10.1609/aaai.v38i10.28971
