Friends in Unexpected Places: Enhancing Local Fairness in Federated Learning through Clustering
The Ohio State University（俄亥俄州立大学）；Cisco Research（思科研究）；UC, San Diego（圣地亚哥大学）
针对异构联邦学习中全局与局部公平性不一致的问题，提出基于聚类的局部公平FL新算法，通过引入新公平性度量实现局部准确率与公平性的可调平衡，无需显式干预即可达到或超越现有方法。
2025-05-30 cs.CY cs.LG
Mitigating Group Bias in Federated Learning: Beyond Local Fairness
University of Minnesota（明尼苏达大学）；Cisco Systems Inc.（思科系统公司）
本研究探讨了联邦学习中局部公平训练的理论基础，证明全局模型公平性可由本地客户端汇总统计量获得，并提出一种直接最小化带惩罚经验损失的全局公平训练算法，在保持高准确率的同时显著提升了公平性。
2023-05-17 cs.CY cs.LG
Federated Learning Meets Fairness and Differential Privacy
International Institute of Information Technology (IIIT), Hyderabad（国际信息技术学院（海得拉巴））
深度学习前所未有的成功引发了从有偏见的预测到数据隐私等多个伦理问题。研究人员通过引入公平性指标、联邦学习或差分隐私来解决这些问题。首先，这项工作提出了一个道德的联邦学习模型，同时结合所有三个措施。在成人、银行和荷兰数据集上的实验突出了准确性、公平性和隐私性之间的“经验相互作用”。
2021-08-23 cs.AI cs.CR cs.CY
Unified Group Fairness on Federated Learning
University of YYY（YYY大学）；Institute of WWW（WWW研究所）
联邦学习（FL）已经成为一种重要的机器学习范例，其中基于来自分布式客户端的私有数据来训练全局模型。然而，现有的FL算法大多不能保证性能公平性对不同的群体，因为数据分布偏移组。在本文中，我们制定了统一的组公平性问题的FL，其中组可以形成的客户端（包括现有的客户端和新添加的客户端）和敏感属性（S）。为了解决这个问题，我们首先提出了一个通用的公平联邦框架。然后从联邦不确定集的角度出发，通过理论分析，构造了一个统一的组公平风险，以保证FL上的统一组公平性，并提出了一种有效的联邦优化算法--带动量加速的联邦镜像下降上升算法（Federated Mirror Descent Ascent with Momentum Acceleration，FMDA-M）。通过实验验证了FMDA-M算法在各种分布偏移设置下的优越性，实验结果表明FMDA-M算法在统一组公平性方面优于现有的公平FL算法。
2022-02-16 cs.LG
A Survey on Group Fairness in Federated Learning: Challenges, Taxonomy of Solutions and Directions for Future Research
University of Coimbra（科英布拉大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
本文综述了Federated Learning中的群体公平性问题，分析了关键挑战，提出了识别与基准测试方法，构建了基于数据划分、位置和策略的分类法，并探讨了数据集、应用及伦理法律影响，指出了未来研究方向。
2025-09-12 cs.AI cs.CY cs.LG
FedShard: Federated Unlearning with Efficiency Fairness and Performance Fairness
针对联邦遗忘中客户端效率与性能公平性未被充分探索的问题，提出首个兼顾双公平性的FedShard算法，设计公平性评估指标，验证其公平性并缓解不公平风险，遗忘速度为从头重训练的1.3-6.2倍、最先进方法的4.9倍。
2025-11-11 cs.LG
E2FL: Equal and Equitable Federated Learning
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
联邦学习（FL）使数据所有者能够训练共享的全局模型，而无需共享其私有数据。不幸的是，FL容易受到内在公平性问题的影响：由于客户端数据分布的异质性，最终训练的模型可以在参与的客户端之间提供不成比例的优势。在这项工作中，我们提出了平等和公平的联邦学习（E2FL），以产生公平的联邦学习模型，同时保持两个主要的公平性，公平和平等。我们验证了E2FL在不同的现实世界FL应用的效率和公平性，并表明E2FL优于现有的基线方面所产生的效率，不同群体的公平性，以及所有个人客户端之间的公平性。
2022-08-16 cs.LG
FedGBF: An efficient vertical federated learning framework via gradient boosting and bagging
Yale University（耶鲁大学）；Renmin University of China（中国人民大学）；JD Technology Group（京东科技集团）
联邦学习有助于解决数据隐私和安全问题，近年来受到越来越多的关注。然而，现有的联邦Boosting模型采用弱基学习器顺序构建决策树模型，导致Boosting步骤冗余，交互通信代价高。相比之下，联邦装袋模型通过并行构建多个决策树来节省时间，但它遭受性能损失。为了以更少的时间代价获得出色的性能，我们提出了一种新的模型，在垂直联邦设置称为联邦梯度提升森林（FedGBF）。FedGBF通过并行构建决策树作为Boosting的基础学习器，同时集成了Boosting和Bagging的优势。继FedGBF之后，超参数调优问题日益突出。然后，我们提出了动态FedGBF，它动态地改变每个森林的参数，从而降低了复杂性。最后，基于基准数据集的实验证明了该方法的优越性。
2022-04-03 cs.AI cs.CR cs.DC
Fairness in Federated Learning: Trends, Challenges, and Opportunities
本综述聚焦联邦学习中由异质性引发的公平性问题，梳理多类偏差来源、现有公平性缓解技术的优劣、相关理论与评估指标，并展望未来研究方向，为公平联邦学习研究提供基础。
2025-08-31 cs.CY cs.LG
Fairness and Accuracy in Federated Learning
Southwest Jiaotong University（西南交通大学）
在联邦学习设置中，多个客户端在中央服务器的协调下联合训练模型，而训练数据保存在客户端上以确保隐私。通常，联合网络中不同设备之间的数据分布不一致，终端设备之间的通信带宽有限，这使得统计异构性和昂贵的通信成为联邦学习的主要挑战。提出了一种在联邦学习（FedFa）中提高公平性和准确性的算法。它引入了一个优化方案，采用了双动量梯度，从而加快了模型的收敛速度。提出了一种结合训练精度和训练频率的信息量来衡量权值的权值选择算法。该程序有助于解决由于某些客户的偏好而导致的联邦学习中的不公平问题。我们的研究结果表明，所提出的FedFa算法优于基线算法的准确性和公平性。
2020-12-18 cs.LG
Improving Fairness in AI Models on Electronic Health Records: The Case for Federated Learning Methods
University of Delaware（特拉华大学）
本研究提出一种结合对抗性去偏见和公平聚合的联邦学习方法，用于电子健康记录，以在保持准确率的同时有效缓解AI模型偏见。
2023-05-19 cs.CY cs.LG
Training Fair Models in Federated Learning without Data Privacy Infringement
McMaster University（麦克马斯特大学）；East China University of Science and Technology（华东理工大学）；Huawei Technologies Canada（华为技术加拿大公司）
针对联邦学习中难以在保护隐私的前提下训练公平模型的问题，提出联邦公平性评估方法与FedFair框架，可在不侵犯隐私的同时训练高性能公平模型，经三个真实数据集验证效果优异。
2024-11-01 cs.CY cs.LG
Fair Differentially Private Federated Learning Framework
Department of Computing Science, Umeå University（于默奥大学计算机科学系）
本文提出“公平差分隐私联邦学习框架”，通过裁剪有偏模型更新并引入高斯机制实现差分隐私，解决联邦学习中无需验证数据生成公平全局模型及全局私有差分模型的挑战。
2023-05-23 cs.CY cs.LG
FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning
Zhejiang University（浙江大学）；Hangzhou Dianzi University（杭州电子科技大学）
FedFACT提出一种可控联邦群体公平性校准框架，通过刻画全局与局部公平约束下的贝叶斯最优分类器，将公平联邦学习重构为代价敏感学习与双层优化问题，并给出收敛与泛化保证，实验证明其在准确率与公平性权衡上优于基线。
2025-11-07 cs.LG
FOCUS: Fairness via Agent-Awareness for Federated Learning on Heterogeneous Data
California Institute of Technology（加州理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊）
针对联邦学习异构数据下的公平性挑战，提出基于智能体感知的公平性定义FAA及聚类训练算法FOCUS，在保证准确率的同时显著提升公平性。
2023-11-16 cs.CY cs.LG
GLOCALFAIR: Jointly Improving Global and Local Group Fairness in Federated Learning
University of Tennessee Knoxville（田纳西大学诺克斯维尔分校）；Google Research（谷歌研究院）；Intuit AI Research（Intuit人工智能研究院）
本文提出GLOCALFAIR框架，通过客户端约束优化与服务器端公平性感知聚类聚合的协同设计，在不共享敏感统计信息的前提下，联合提升联邦学习中的全局与本地群体公平性并保持模型效用。
2024-10-02 cs.AI cs.CY cs.LG
Privacy and Fairness in Federated Learning: on the Perspective of Trade-off
University of Technology Sydney（悉尼科技大学）；City University of Macau（澳门城市大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文综述了联邦学习中隐私与公平的相互作用，分析了FL环境下的独特挑战与解决方案，并揭示了二者相互竞争的权衡关系，为公平与隐私联邦学习指明了新研究方向。
2023-06-25 cs.AI cs.CR cs.CY
Federating for Learning Group Fair Models
University College London（伦敦大学学院）；Duke University（杜克大学）
联邦学习是一种越来越流行的范例，它使大量实体能够协作学习更好的模型。在这项工作中，我们研究极小极大组公平的范例，不同的参与实体可能只能访问一个子集的人口群体在训练阶段。我们正式分析了这个公平性目标与现有的联邦学习公平性标准的不同之处，这些标准在参与者而不是人口统计学群体中施加了类似的性能。我们提供了一个优化算法- FedMinMax -解决所提出的问题，证明享有集中式学习算法的性能保证。我们通过实验比较了所提出的方法与其他方法在各种联邦学习设置的组公平性。
2021-10-07 cs.CY cs.LG
Federated Fairness Analytics: Quantifying Fairness in Federated Learning
University of Bristol（布里斯托尔大学）
针对联邦学习中公平性定义与量化指标缺失的问题，提出包含四类概念及对应新指标的联邦公平性分析方法，实验验证其可助力从业者获取不同粒度的系统公平性洞察，相关工作已开源。
2024-08-15 cs.AI cs.DC cs.GT
Fairness in Federated Learning: Fairness for Whom?
Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）
本文批判性分析了联邦学习公平性研究中脱离社会技术背景的五个陷阱，并提出以危害为中心的框架，将公平性定义与具体风险及利益相关者脆弱性相联系，倡导更全面、上下文感知和负责任的公平性研究。
2025-05-27 cs.AI cs.CY cs.LG
Minimax Demographic Group Fairness in Federated Learning
University College London（伦敦大学学院）；Duke University（杜克大学）；Apple Inc.（苹果公司）
联邦学习是一种越来越流行的范例，它使大量实体能够协作学习更好的模型。在这项工作中，我们研究了在联邦学习场景中的极大极小组公平性，在这种场景中，不同的参与实体在训练阶段可能只能访问人口组的一个子集。我们正式分析了我们提出的组公平性目标与现有的联邦学习公平性标准的不同之处，这些标准在参与者而不是人口统计组之间施加类似的性能。我们提供了一个优化算法- FedMinMax -解决所提出的问题，证明享有集中式学习算法的性能保证。我们通过实验将所提出的方法与其他最先进的方法在各种联邦学习设置中的组公平性进行比较，表明我们的方法具有竞争力或优越的性能。
2022-01-25 cs.DC cs.LG
Improving Fairness for Data Valuation in Horizontal Federated Learning
University of British Columbia（不列颠哥伦比亚大学）；Huawei Technologies Canada Co.（华为技术加拿大公司）；Simon Fraser University（西蒙弗雷泽大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
联邦学习是一种新兴的分散式机器学习方案，允许多个数据所有者协同工作，同时确保数据隐私。联邦学习的成功很大程度上取决于数据所有者的参与。为了维持和鼓励数据所有者的参与，公平地评估数据所有者提供的数据质量并给予相应的奖励至关重要。最近由Wang等人提出的联邦Shapley值[联邦学习，2020]是在联邦学习框架下对数据价值的度量，满足数据估值的许多期望属性。然而，在联合Shapley值的设计中仍然存在潜在的不公平因素，因为具有相同本地数据的两个数据所有者可能不会收到相同的评估。为了提高联邦Shapley值的公平性，提出了一种新的度量标准--完备联邦Shapley值。设计依赖于完成一个矩阵，该矩阵由数据所有者的不同子集的所有可能贡献组成。它示出了在温和的条件下，该矩阵是近似低秩的利用优化的概念和工具。理论分析和实证评估都证实了该措施在许多情况下确实改善了公平性。
2022-05-23 cs.LG
A Multivocal Literature Review on Privacy and Fairness in Federated Learning
University of Bayreuth（拜罗伊特大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）
本文通过多声文献综述梳理联邦学习中隐私与公平性的整合方法，指出二者关系被忽视且存在内在张力，呼吁构建兼顾隐私、公平与性能的一体化框架。
2024-10-27 cs.AI cs.LG
A Post-Processing-Based Fair Federated Learning Framework
University of Oxford（牛津大学）
本文提出一种基于后处理的公平联邦学习框架，通过标准FL训练和去中心化本地去偏两阶段方法，在最小精度损失下显著提升群体公平性，尤其适用于数据异构场景。
2025-01-25 cs.AI cs.CY cs.LG
F3: Fair and Federated Face Attribute Classification with Heterogeneous Data
IIIT Hyderabad（国际信息技术学院海得拉巴分校）
不同人口群体之间的公平性是人脸相关任务的一个重要标准，人脸属性分类（FAC）是一个突出的例子。除了这种趋势，联邦学习（FL）作为分布式训练的可扩展范例越来越受到关注。现有的FL方法需要数据的同质性，以确保公平性。然而，这种假设在现实世界中限制太多。我们提出了F3，一个新的FL框架下的公平FAC数据异构性。F3采用多重统计学方法，在不需要数据同质性假设的情况下，提高不同人口统计群体之间的公平性。我们通过在流行的人脸数据集上报告经验观察到的公平性措施和准确性保证来证明F3的有效性。我们的研究结果表明，F3罢工FAC的准确性和公平性之间的实际平衡。
2022-06-24 cs.CV cs.CY cs.LG
The Cost of Local and Global Fairness in Federated Learning
University of Notre Dame（圣母大学）
本文针对多分类联邦学习，提出一个同时兼顾全局与局部公平性的后处理框架，通过从贝叶斯最优评分函数导出公平预测器，在最小化准确率损失的同时，于准确率-公平性权衡及计算通信成本上优于现有SOTA方法。
2025-03-27 cs.AI cs.CY cs.LG
pFedFair: Towards Optimal Group Fairness-Accuracy Trade-off in Heterogeneous Federated Learning
The Chinese University of Hong Kong（香港中文大学）
针对异构联邦学习中现有群体公平性约束方法导致准确率次优的问题，提出pFedFair个性化联邦学习框架，通过客户端本地施加公平约束并结合图像嵌入模型拓展至视觉场景，实现了公平性与准确率的最优权衡。
2025-03-19 cs.LG
Improving Fairness via Federated Learning
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
最近，已经提出了许多算法来从分散数据中学习公平分类器。然而，许多理论和算法问题仍然是开放的。首先，联邦学习是否必要，即，我们是否可以简单地训练当地公平的分类人员并将其汇总？在这项工作中，我们首先提出了一个新的理论框架，我们证明了联邦学习可以严格提高模型公平性相比，这样的非联邦算法。然后，我们从理论上和经验表明，基于FedAvg的公平学习算法的性能权衡严格比集中式数据训练的公平分类器差。为了弥合这一差距，我们提出了FedFB，一个私人公平的学习算法分散的数据。关键思想是修改FedAvg协议，使其能够有效地模仿集中式公平学习。我们的实验结果表明，FedFB显著优于现有方法，有时与集中训练模型的性能相匹配。
2022-12-07 cs.LG
Enforcing fairness in private federated learning via the modified method of differential multipliers
KTH Royal Institute of Technology（KTH皇家理工学院）；Apple（苹果公司）
具有差分隐私的联邦学习或私有联邦学习提供了一种在尊重用户隐私的同时训练训练机器学习模型的策略。然而，差分隐私会不成比例地降低模型在代表性不足的群体上的性能，因为在存在噪声的情况下，分布的这些部分很难学习。在机器学习模型中实施公平性的现有方法已经考虑了集中式设置，其中算法可以访问用户的数据。本文介绍了一种在私有联邦学习中增强组公平性的算法，其中用户的数据不会离开他们的设备。首先，本文将修正的微分乘子方法推广到具有公平性约束的经验风险最小化问题，从而提供了一种在中心环境下实现公平性的算法。然后，将该算法扩展到私有联邦学习环境。所提出的算法，\texttt{FPFL}，测试的联邦版本的成人数据集和“不公平”版本的FEMNIST数据集。这些数据集上的实验显示了私有联邦学习如何加剧训练模型中的不公平性，以及FPFL如何能够减轻这种不公平性。
2022-04-15 cs.LG stat.ML
FairVFL: A Fair Vertical Federated Learning Framework with Contrastive Adversarial Learning
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；Sony AI（索尼人工智能）；USTC（中国科学技术大学）；Shenzhen University（深圳大学）；Zhongguancun Laboratory（中关村实验室）
垂直联邦学习（Vertical Federated Learning，VFL）是一种隐私保护的机器学习范式，它可以以隐私保护的方式从分布在不同平台上的特征中学习模型。由于在现实世界的应用程序中，数据可能包含对公平敏感特征的偏见（例如，性别），VFL模型可能从训练数据继承偏差，并且对于某些用户组变得不公平。然而，现有的公平机器学习方法通常依赖于公平敏感特征的集中存储来实现模型公平性，这通常不适用于联邦场景。本文提出了一种公平的垂直联邦学习框架（FairVFL），该框架可以提高VFL模型的公平性。FairVFL的核心思想是以隐私保护的方式基于分散的特征字段学习样本的统一和公平表示。具体来说，每个具有公平性不敏感特征的平台首先从本地特征学习本地数据表示。然后，这些本地表示被上传到服务器，并聚合成目标任务的统一表示。为了学习公平的统一表示，我们将其发送到存储公平敏感特征的每个平台，并应用对抗学习来消除从有偏差数据继承的统一表示中的偏差。此外，为了保护用户隐私，我们进一步提出了一种对比对抗学习方法，在将隐私信息发送到保持公平敏感特征的平台之前，将隐私信息从服务器的统一表示中删除。在三个真实数据集上的实验表明，该方法能有效地提高模型的公平性，同时很好地保护用户隐私。
2022-10-31 cs.CR cs.CY cs.LG
Achieving Model Fairness in Vertical Federated Learning
University of Victoria（维多利亚大学）；University of British Columbia（不列颠哥伦比亚大学）；Huawei Technologies Canada（华为技术加拿大公司）；Simon Fraser University（西蒙弗雷泽大学）；McMaster University（麦克马斯特大学）
垂直联邦学习（Vertical Federated Learning，VFL）使得拥有非重叠特征的多方能够在不泄露其私有数据和模型参数的情况下增强其机器学习模型，因此吸引了越来越多的关注。与其他机器学习算法类似，VFL面临公平性的需求和挑战，即，所学习的模型可能对具有敏感属性的某些组是不公平的歧视。为了解决这个问题，我们提出了一个公平的VFL框架在这项工作中。首先，我们系统地阐述了在VFL中训练公平模型的问题，其中学习任务被建模为约束优化问题。为了以联邦和隐私保护的方式解决这个问题，我们考虑了问题的等价对偶形式，并开发了一个异步梯度坐标下降上升算法，其中一些活跃的数据方在每个通信回合执行多个并行本地更新，以有效地减少通信回合的数量。服务器发送给被动方的消息经过精心设计，以便在不侵犯数据和敏感属性隐私的情况下发布本地更新所需的信息。我们严格研究的收敛性算法时，适用于一般的非凸凹极小极大问题。我们证明了该算法找到一个$δ$ -平稳点的对偶目标在$\mathcal{O}(δ^{-4})$通信轮在温和的条件下。最后，在三个基准数据集上的大量实验证明了我们的方法在训练公平模型方面的优越性能。
2022-09-06 cs.CY cs.LG
Federated Learning at the Forefront of Fairness: A Multifaceted Perspective
School of Computing, Macquarie University（麦考瑞大学计算机学院）；School of Control and Computer Engineering, North China Electric Power University（华北电力大学控制与计算机工程学院）
本文从多维度视角探讨联邦学习中的公平性问题，分类现有公平性方法，并提出框架和未来研究方向以推动公平性在FL中的发展。
2026-01-31 cs.LG
FedCD: A Fairness-aware Federated Cognitive Diagnosis Framework
Anhui University（安徽大学）；University of Exeter（埃克塞特大学）
针对联邦认知诊断中的数据质量导致的公平性问题，提出公平感知框架FedCD，通过参数解耦个性化策略和公平感知聚合，实现隐私保护下的精准公平诊断，并在三个真实数据集上验证有效性。
2025-08-02 cs.CY cs.LG
FeDABoost: Fairness Aware Federated Learning with Adaptive Boosting
Department of Computer Science, Blekinge Institute of Technology（计算机科学系，布莱金厄学院）
针对非独立同分布场景下联邦学习的性能与公平性问题，提出融合动态提升与自适应梯度聚合的FeDABoost框架，经多基准数据集验证，在保障竞争力性能的同时提升了公平性。
2025-10-03 cs.AI cs.LG
Collaborative Fairness in Federated Learning
National University of Singapore（新加坡国立大学）；Wuhan University（武汉大学）
在当前的深度学习范例中，局部训练或独立框架往往会导致过拟合，从而导致泛化能力差。这个问题可以通过分布式或联邦学习（FL）来解决，它利用参数服务器来聚合来自各个参与者的模型更新。然而，大多数现有的分布式或FL框架都忽略了参与的一个重要方面：协作公平性。特别是，所有参与者都可以获得相同或相似的模型，无论他们的贡献如何。为了解决这个问题，我们研究了FL中的协作公平性，并提出了一种新的协作公平联邦学习（CFFL）框架，该框架利用声誉来强制参与者收敛到不同的模型，从而在不影响预测性能的情况下实现公平性。在基准数据集上的大量实验表明，CFFL实现了高公平性，提供了与分布式框架相当的准确性，并优于独立框架。
2020-08-28 cs.DC cs.LG stat.ML
LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning
Zhejiang University（浙江大学）
针对联邦学习中现有方法无法同时兼顾统计异构下的局部与全局公平性、且难适配模型无关设置的问题，提出后处理框架LoGoFair，通过约束下的贝叶斯最优分类器求解和联邦协同后处理实现双公平，经真实数据集验证有效。
2025-03-21 cs.DC cs.LG
Welfare and Fairness Dynamics in Federated Learning: A Client Selection Perspective
University of Minnesota（明尼苏达大学）
联邦学习（FL）是一种隐私保护学习技术，其使得分布式计算设备能够跨数据孤岛协作地训练共享学习模型。现有的FL工作主要集中在设计先进的FL算法，以提高模型的性能。然而，客户的经济考虑因素，如公平和激励，尚未得到充分探讨。如果没有这些考虑，自我激励的客户可能会失去兴趣并离开联合会。为了解决这个问题，我们设计了一个新的激励机制，包括客户选择过程，以消除低质量的客户和资金转移过程，以确保公平的奖励分配。实验结果表明，该激励机制能有效地提高联盟的持续时间和公平性。
2023-02-17 cs.LG stat.ML
Enhancing One-Shot Federated Learning Through Data and Ensemble Co-Boosting
University of Science and Technology of China（中国科学技术大学）；Hong Kong Baptist University（香港浸会大学）；University of Maryland College Park（马里兰大学学院公园分校）；The University of Sydney（悉尼大学）
本文提出Co-Boosting框架，通过合成数据与集成模型在单轮联邦学习中的相互对抗式增强，显著提升全局模型性能，且无需调整客户端本地训练、不增加额外传输并支持异构架构。
2024-02-23 cs.LG
Global Group Fairness in Federated Learning via Function Tracking
EPFL（洛桑联邦理工学院）；ETH Zurich（苏黎世联邦理工学院）
针对联邦学习中全局公平正则项难按客户端拆分的问题，提出基于MMD的低通信开销函数跟踪方案，可兼容主流联邦算法并保证收敛，还能简化差分隐私下的分析，实验验证了理论有效性。
2025-03-19 cs.LG math.OC stat.ME
Beyond Static Knowledge Messengers: Towards Adaptive, Fair, and Scalable Federated Learning for Medical AI
Department of Computer Science and Software Engineering, Auburn University（计算机科学与软件工程系，阿伯丁大学）；Department of Information and Communication Technology, Bangladesh University of Professionals（信息与通信技术系，孟加拉国专业大学）；Mymensingh Medical College and Hospital（迈明辛医疗学院和医院）
针对现有联邦学习在医学AI中的静态架构、公平性缺失和扩展性不足，提出自适应公平联邦学习（AFFL），通过动态容量调整、公平感知蒸馏和课程加速，实现通信减少55-75%、公平性提升56-68%，并支持100+机构。
2025-10-23 cs.CY cs.LG
Semi-Variance Reduction for Fair Federated Learning
Cheriton School of Computer Science University of Waterloo（查理森计算机科学学院 华为大学）
针对现有公平联邦学习算法为提升最差客户端性能而牺牲整体平均表现的问题，提出两种受金融风险建模启发的新算法VRed和SemiVRed，其中SemiVRed在异构数据下实现SoTA性能并兼顾公平性与整体表现。
2025-04-29 cs.CY cs.LG
PrivFairFL: Privacy-Preserving Group Fairness in Federated Learning
Mila – Quebec AI Institute（Mila – 魁北克人工智能研究所）；HEC Montréal（蒙特利尔高等商学院）；University of Washington Tacoma（华盛顿大学塔科马分校）；Ghent University（根特大学）
群体公平性确保了基于机器学习（ML）的决策系统的结果不会偏向于由敏感属性（如性别或种族）定义的特定人群。在联邦学习（FL）中实现群体公平性是具有挑战性的，因为减轻偏见本质上需要使用所有客户端的敏感属性值，而FL的目的正是通过不允许访问客户端的数据来保护隐私。正如我们在本文中所示，在FL中的公平性和隐私性之间的冲突可以通过将FL与安全多方计算（MPC）和差分隐私（DP）相结合来解决。在这样做的过程中，我们提出了一种在完整和正式的隐私保证下在跨设备FL中训练组公平ML模型的方法，而不需要客户端公开其敏感属性值。
2022-08-26 cs.CR cs.LG
FedFair^3: Unlocking Threefold Fairness in Federated Learning
School of Computing and Informatics（计算与信息学院）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
针对联邦学习中客户端参与公平性与效率难兼顾的问题，提出实现选择策略、参与轮次、准确率分布三重公平的FedFair^3方法，在不降低全局准确率的同时显著降低准确率方差并缩短训练时间。
2024-01-29 cs.AI cs.CY cs.DC
FedCF: Fair Federated Conformal Prediction
Georgia Institute of Technology（佐治亚理工学院）；The Ohio State University（俄亥俄州立大学）
提出FedCF框架，将共形公平性扩展到联邦学习，通过分析不同人口统计组的公平性差距来审计模型公平性，并在多个数据集上验证。
2026-05-30 cs.LG
Federated Learning with Relative Fairness
The University of Tokyo（东京大学）；RIKEN Advanced Intelligence Project（理化学研究所先进智能项目）
本文提出一个联邦学习框架，通过极小极大问题方法最小化客户端间的相对不公平性，引入基于损失比率的公平性指标，并开发了Scaff-PD-IA算法，在保持性能的同时降低差异。
2024-11-02 cs.CR cs.LG stat.ML
Fairness and Privacy in Federated Learning and Their Implications in Healthcare
University of Virginia（弗吉尼亚大学）
本文综述医疗场景下公平联邦学习的生命周期，提出更新的公平性分类，并分析隐私保护、非iid数据、通信开销与客户端异构性带来的实现挑战。
2023-08-15 cs.CR cs.LG
FairGFL: Privacy-Preserving Fairness-Aware Federated Learning with Overlapping Subgraphs
National Engineering Laboratory for Big Data Analytics (NEL-BDA)（大数据分析国家工程实验室）；School of Mathematics and Statistics（数学与统计学学院）；Ministry of Education Key Lab for Intelligent Networks and Network Security（教育部智能网络与网络安全重点实验室）；School of Computer Science and Technology（计算机科学与技术学院）
FairGFL通过保护隐私的方式，在联邦学习中提升跨客户端公平性，通过可解释的加权聚合和正则化器优化模型实用性与公平性的平衡。
2025-12-29 cs.DC cs.LG
FairEnergy: Contribution-Based Fairness meets Energy Efficiency in Federated Learning
FairEnergy通过整合贡献评分优化设备选择、带宽分配和压缩级别，实现联邦学习中的公平性与能效的平衡，实验表明其在非IID数据上能提升精度并显著降低能耗。
2025-11-19 cs.LG
Privacy-Preserving Orthogonal Aggregation for Guaranteeing Gender Fairness in Federated Recommendation
University of Science and Technology of China（中国科学技术大学）；Aarhus University（奥胡斯大学）
针对联邦推荐中性别公平性与隐私保护的问题，提出PPOA方法，通过安全聚合、量化技术和正交映射，在保护用户属性隐私的同时提升不同性别群体推荐效果，实现最优公平性。
2024-11-29 cs.LG
Toward the Tradeoffs between Privacy, Fairness and Utility in Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Huazhong University of Science and Technology（华中科技大学）
本文研究联邦学习中隐私、公平性与效用的相互影响，提出隐私保护的公平联邦学习方法，并实验证明三者之间存在权衡关系。
2023-11-30 cs.AI cs.LG
Demystifying Local and Global Fairness Trade-offs in Federated Learning Using Partial Information Decomposition
University of Maryland College Park（马里兰大学帕克分校）
本研究引入部分信息分解理论解析联邦学习中全局与局部公平性的权衡机制，识别三类不公平来源，推导权衡边界并提出凸优化问题明确性能极限，通过实验验证理论结论。
2024-03-04 cs.CY cs.IT cs.LG
Federated fairness-aware classification under differential privacy
Department of Statistics, University of Warwick（沃里克大学统计系）
本文研究了在联邦学习中差分隐私与公平性对分类任务的联合影响，提出FDP-Fair算法及简化版CDP-Fair算法，理论分析并验证了算法在隐私、公平性和风险控制方面的保障。
2026-03-25 cs.LG stat.ME stat.ML
CoRe-Fed: Bridging Collaborative and Representation Fairness via Federated Embedding Distillation
CoRe-Fed通过联邦嵌入蒸馏实现协同与表示公平性，通过嵌入级正则化和公平性感知聚合策略提升模型性能和公平性。
2026-01-31 cs.LG
Accelerating Fair Federated Learning: Adaptive Federated Adam
Uppsala University（乌普萨拉大学）
联邦学习是一种分布式和隐私保护的方法，用于从不同方的分散数据协作地训练统计模型。然而，当参与者的数据集不是独立和同分布的（非IID）时，由朴素联邦算法训练的模型可能偏向于某些参与者，并且参与者之间的模型性能是不均匀的。这被称为联邦学习中的公平性问题。在本文中，我们制定公平控制的联邦学习作为一个动态的多目标优化问题，以确保所有参与者的公平性能。为了有效地解决这一问题，本文研究了Adam作为联邦学习服务器优化器的收敛性和偏差，提出了自适应联邦Adam（AdaFedAdam）算法，在减轻偏差的同时加速公平的联邦学习。我们验证了AdaFedAdam的有效性，Pareto最优性和鲁棒性的数值实验，并表明AdaFedAdam优于现有的算法，提供更好的收敛性和公平性的联邦计划。
2023-01-23 cs.DC cs.LG
