FairGFL：基于重叠子图的公平性感知联邦学习

Research Paper#Federated Learning, Graph Neural Networks, Fairness, Privacy🔬 Research|分析: 2026年1月3日 19:04•
发布: 2025年12月29日 06:31
•
1分で読める
•ArXiv

分析

本文解决了由客户端间不平衡的重叠子图引起的图联邦学习（GFL）中的公平性问题。 这很重要，因为它识别了 GFL（一种隐私保护技术）中潜在的偏差来源，并提出了一个解决方案（FairGFL）来缓解它。 在隐私保护的背景下关注公平性是一项有价值的贡献，尤其是在联邦学习变得越来越普遍的情况下。
引用 / 来源
查看原文
"FairGFL incorporates an interpretable weighted aggregation approach to enhance fairness across clients, leveraging privacy-preserving estimation of their overlapping ratios."
A
ArXiv2025年12月29日 06:31
* 根据版权法第32条进行合法引用。
较旧

RS-Prune: Training-Free Data Pruning at High Ratios for Efficient Remote Sensing Diffusion Foundation Models

较新

SURE Guided Posterior Sampling: Trajectory Correction for Diffusion-Based Inverse Problems

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv