面向异构数据的具有隐私保护性能的公平联邦学习OA

联邦学习在非独立同分布数据场景下易因梯度冲突导致公平性失衡,且模型参数传输存在隐私泄露风险。现有公平性联邦学习算法虽有效缓解了梯度冲突,但复杂异质数据下局部与全局模型的一致性缺乏针对性优化,导致局部训练偏离全局最优,进而削弱公平性并限制整体模型性能。针对此问题,提出FedALF及LDP-FedALF算法。使用公平驱动目标和分层优化缓解梯度冲突;引入交替方向乘子法进行优化,在客户端局部目标函数中设计对偶变量项与二次惩罚项,构建局部与全局模型一致性约束,进一步提升公平性与模型性能;同时在模型传输中加入自适应本地差分隐私技术保护数据隐私。通过大量实验验证得出,FedALF相较于现有公平联邦学习算法,测试准确率平均提升10.82%,公平性平均提升19.80%;LDPFedALF相较于现有公平联邦学习算法,测试准确率平均提升7.53%,公平性平均提升15.36%。