Bias mitigation for collaborative and ethical learning on dynamic data
Atténuation des biais pour l'apprentissage collaboratif et éthique sur des données dynamiques.
Résumé
This poster discusses the evolution of distributed machine learning architectures, leading to the emergence of federated learning. It explores the issue of bias, a common problem in classical machine learning, which can be exacerbated in the context of federated learning. The poster also highlights the limitations of classical bias mitigation techniques in federated learning due to privacy concerns and proposes new promising approaches to mitigate bias in Federated Learning systems.
Ce poster aborde l'évolution des architectures d'apprentissage machine distribué, conduisant à l'émergence de l'apprentissage fédéré. Il explore la problématique des biais, un problème courant dans l'apprentissage machine classique, qui peut être exacerbé dans le contexte de l'apprentissage fédéré. Le poster met également en évidence les limitations des techniques classiques d'atténuation des biais dans l'apprentissage fédéré en raison des problématiques de confidentialité, et propose de nouvelles approches prometteuses pour atténuer les biais dans les systèmes d'apprentissage fédéré.
Domaines
Intelligence artificielle [cs.AI]
Fichier principal
2023-IDA-FerraguigLynda-BiasInFederatedLearning-Poster.pptx (1).pdf (550.84 Ko)
Télécharger le fichier
Origine | Fichiers produits par l'(les) auteur(s) |
---|