Neurips2025：面向聯邦學習公平性的數據集與基準框架

重點一語帶過

ArXiv 提交的 Neurips2025 數據集與基準草案，聚焦建立一套針對聯邦學習公平性與客戶端差異的評估架構。

內容摘要

規範先區分兩種輸出：可直接用於一般聯邦學習的「自然輸出」，以及針對研究需求做出的「修改輸出」。基底資料集可從 ACS 提供的選項擇一生成客戶端資料，草案列出 Income 與 Employment 作為示例來源，並要求說明每個客戶端的抽樣策略（每位客戶端的資料範圍）。

在客戶端範圍設定上，文件涵蓋跨筏（cross-silo）與跨裝置（cross-device）的配置方式，並說明如何依屬性或地理分割客戶端。公平性評估部分指定在簡單模型（例如邏輯迴歸）與原始資料上測量不公平性，列舉多項指標：Demographic disparity、Equalized odds、demographic parity，以及對不同屬性和值的差異性分析。

草案還要求明確列出敏感屬性選項（例如性別、族群等），討論二元或合併群組的處理方式，以及如何報告各客戶端之間的不公平性分布。最終輸出包括每位客戶端的資料統計、各類公平性與效能指標，在修改前後比較的全域模型統計（如 FedAvg 結果）以及可下載的 CSV 檔與本地訓練資料表示。

評估與輸出

評估函數需產生每位客戶端按屬性／特徵值的圖表，比較修改前後的準確度與公平性指標，輸入格式可單位為 numpy 陣列以利重複實驗。

延伸閱讀

• 意向性更新於流式強化學習：以輸出導向步長控制 TD 與策略梯度
• 去噪遞迴模型（DRM）與短窗多步訓練：提升遞迴變壓器的穩定性與推論一致性
• 四軸對齊框架：LongHorizon-Bench 評估長時程企業 AI 代理人的合規與決策衡量

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。