FairGFL：重複サブグラフを用いた公平性認識型連合学習

この論文は、クライアント間で不均衡な重複サブグラフによって引き起こされるグラフ連合学習（GFL）における公平性の問題に対処しています。プライバシーを保護する技術であるGFLにおけるバイアスの潜在的な原因を特定し、それを軽減するための解決策（FairGFL）を提案しているため、重要です。プライバシー保護の文脈における公平性に焦点を当てることは、連合学習がますます普及する中で、貴重な貢献です。

• •グラフ連合学習における、不均衡な重複サブグラフから生じる公平性の問題を特定し、対処しています。
• •プライバシーを保護しながら、クライアント間の公平性を高め、モデルの有用性を維持する新しいアルゴリズムFairGFLを提案しています。
• •加重集約アプローチと、慎重に設計された正則化項を使用して、公平性とモデルの有用性を向上させています。
• •ベンチマークグラフデータセットにおいて、FairGFLがベースラインアルゴリズムよりも優れた性能を示すことを実証しています。