Improving Class-Level Fairness Under Non-IID Data Distributions in Federated Learning
Notice bibliographique
Résumé
Federated Learning (FL) has been gaining traction as a powerful solution for collaborative model training across decentralized devices, especially in privacy-sensitive domains. However, a persistent challenge in FL is the presence of non-IID data, where each participating device holds data that differs significantly from others. This uneven distribution creates an unfair training process, where classes that are rare across all devices receive little attention, while frequent classes dominate the model’s learning process. Such imbalance leads to biased global models that perform well on common data but poorly on rare or minority classes. This unfairness is especially problematic in real-world scenarios, such as healthcare or finance, where minority groups or rare conditions require equal attention. In this work, we propose a fairness-aware training framework designed to ensure that all classes, regardless of how common or rare they are, receive appropriate attention during training. By introducing a class-aware adjustment mechanism into the FL process, we ensure that rare classes are not overshadowed by more frequent ones. Our approach is simple, effective, and compatible with existing FL systems, making it a practical solution for promoting fairness in decentralized learning environments. Our simulations and experiments demonstrate that our proposed technique improves class-level fairness in FL models, while maintaining strong overall accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».