新方法FairMean解决分布式学习中公平性与抗标签投毒冲突
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
分布式学习中，优先照顾高损失客户端以保公平的做法，易受标签投毒干扰，因投毒者同样制造高损失。Huigan Zheng等人提出FairMean算法，用局部损失的有界非递减函数为客户端梯度赋权。递增特性保障公平，上限则抑制投毒者梯度过分放大。无投毒时，优化该目标比标准平均损失更促公平；有投毒时，其平均平稳界与投毒客户端占比平方成正比。实验表明，该法降低了准确率方差并提升了最差客户端精度。
为什么值得看
直接化解分布式学习公平与鲁棒性矛盾，为存在恶意标签时的公平优化提供理论界与实用解法。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。