NeurIPS 2025：聯邦學習資料集與公平性基準設計要點

要點速覽

NeurIPS/ArXiv 的設計架構把聯邦學習實驗拆成幾個清楚步驟，目的在於讓資料生成、訓練與公平性評估可複現且可比對。

資料與輸出類型

區分「自然輸出」（可直接用於一般 FL）與「修改後輸出」。選定一個母資料集以生成客戶端層級資料（例如 Income、Employment 類別），並明確說明每個客戶端的取樣策略與資料點範圍。設計時需決定是否包含敏感屬性。

客戶端與跨域設定

規範模擬中要含多少客戶端，並區分 cross-silo 與 cross-device 的模擬方式。cross-device 可進一步按地區或屬性值分割，以反映實務中的資料異質性。

公平性衡量與敏感屬性

列出可選用的公平性指標：人口差異（demographic disparity）、equalized odds、demographic parity 等，並建議先用簡單模型（如邏輯回歸）在原始資料上檢視不公平情況。敏感屬性需明確選擇（例如性別、族群、婚姻狀態），並決定二元或合併處理方式以利比較。

輸出規範與評估

輸出包含每位客戶端的資料統計（資料點數、不公平性指標、效能指標與修改紀錄）、全域模型（FedAvg）在修改前後的整體統計，以及合併後的全域模型表現。資料集與本地模型應以 CSV 與 numpy 格式提供，並附上評估函數以產生按屬性/特徵值的前後比較圖表。

此框架強調清楚記錄每個設計選擇，讓不同研究能在相同基準下比較演算法在效能與公平性上的權衡。

延伸閱讀

• DP‑LAC：以私人直方圖與驗證驅動自適應裁剪實現差分隱私下的聯邦微調
• UMEDA：譜門控 Linear Transformer、Diff‑GNO 與子空間差分隱私的多模態圖形聯邦學習
• HARMONY：以元學習與隱私保護對比對齊，緩解混合分割聯邦學習的表示偏移

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。