弗吉尼亚·史密斯谈联邦学习中的公平性和鲁棒性 -#504

这篇文章总结了Practical AI的一期播客节目，嘉宾是卡内基梅隆大学的助理教授弗吉尼亚·史密斯。讨论的重点是史密斯在联邦学习（FL）方面的研究，特别是关于公平性和鲁棒性。该节目涵盖了她关于跨设备FL应用的研究、分布式学习与隐私技术之间的关系，以及她的论文“Ditto: Fair and Robust Federated Learning Through Personalization”。对话还深入探讨了人工智能伦理中公平性的定义、失败模式、模型关系和优化权衡。此外，该节目还提到了第二篇论文“Heterogeneity for the Win: One-Shot Federated Clustering”，探讨了如何在无监督FL设置中利用数据异质性。

• •播客节目讨论了联邦学习中的公平性和鲁棒性。
• •弗吉尼亚·史密斯关于跨设备FL的研究和她的论文“Ditto”是关键主题。
• •该节目探讨了公平性和鲁棒性之间的权衡，以及数据异质性的使用。