[論文レビュー] Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation

Stefan Kambiz Behfar, Richard Mortier|arXiv (Cornell University)|Feb 14, 2026

Privacy-Preserving Technologies in Data被引用数 0

ひとこと要約

要約: 本論文は、フェデレーテッドラーニングにおける可用性で正規化した累積ユーティリティを定義・最適化し、クライアント参加の断続性の下で長期的な公平性を達成するために、逆可用性サンプリングと surrogate 更新を用いる。ベースラインに対して強い経験的利得を示す。

ABSTRACT

In real-world federated learning (FL) systems, client participation is intermittent, heterogeneous, and often correlated with data characteristics or resource constraints. Existing fairness approaches in FL primarily focus on equalizing loss or accuracy conditional on participation, implicitly assuming that clients have comparable opportunities to contribute over time. However, when participation itself is uneven, these objectives can lead to systematic under-representation of intermittently available clients, even if per-round performance appears fair. We propose cumulative utility parity, a fairness principle that evaluates whether clients receive comparable long-term benefit per participation opportunity, rather than per training round. To operationalize this notion, we introduce availability-normalized cumulative utility, which disentangles unavoidable physical constraints from avoidable algorithmic bias arising from scheduling and aggregation. Experiments on temporally skewed, non-IID federated benchmarks demonstrate that our approach substantially improves long-term representation parity, while maintaining near-perfect performance.

研究の動機と目的

• 実世界の断続的なクライアント参加パターンにおけるFLの公正性を動機づける。
• 累積ユーティリティ平等性を、時間を通じた参加機会を考慮する公正性基準として定義・形式化する。
• 長期的な公平性を損なわずに性能を確保するための仕組み（可用性モデリング、逆可用性サンプリング、 surrogate 更新）を開発する。
• 断続的な参加の下で累積ユーティリティ格差の収束特性を示す理論的保証を提供する。
• temporally skewed participation patterns を伴う非IIDベンチマーク上で、ベースラインと比較して提案手法を実証的に検証する。

提案手法

• 各クライアントの累積ユーティリティを訓練ラウンドで追跡する時間的ユーティリティ追跡を導入する。
• 長期的な可用性でユーティリティを正規化し、可用性正規化ユーティリティを計算する。
• 逆可用性ウェイトを用いた適応サンプリングを実装し、長期的な参加機会を平等化する。
• 欠損クライアントに対する表現認識的 surrogate 更新を組み込み、データ欠落を緩和する。
• 公正性と surrogate の影響に関する理論結果（補題1、定理1、補題2–3、定理3）を提供する。
• realistic な可用性トレースを伴う非IID CIFAR-10 ベンチマークで、q-FFLとPHP-FLと比較して評価する。

Figure 1 : Distribution of device availability percentages for the trace data (Yang et al. , 2021 ) , where device availability percentage is defined as the percentage of time between the first and last times a device was seen to be live and available to perform FL, i.e., was charging and connected

実験結果

リサーチクエスチョン

• RQ1 クライアント参加が断続的かつデータ・リソース制約と相関する場合、FLの公正性をどう定義できるか。
• RQ2 可用性正規化累積ユーティリティは収束するか、逆可用性サンプリングで効果的に平衡できるか。
• RQ3 欠落クライアントに対する surrogate 更新は、ドロップアウトパターン下でモデル品質と公正性を維持できるか。
• RQ4 提案手法は長期的な表現均等性と性能の点で、既存の公正性手法（例：q-FFL、PHP-FL）とどう比較されるか。

主な発見

Method	Avg Acc	Jain (Acc)	Utility CV	Jain (Utility)	Sel. Gap	Gini
q-FFL	60.1	0.72	0.64	0.42	0.80	0.35
PHP-FL	67.71	0.80	0.42	0.78	0.52	0.20
Ours (no surrogate)	80.43	0.975	0.28	0.88	0.31	0.04
Ours (with surrogate)	80.43	0.975	0.19	0.94	0.31	0.04

• 可用性正規化累積ユーティリティはクライアント間の長期的格差を縮小し、表現の平等性を達成する。
• 逆可用性サンプリングは、異種の可用性がある場合でも長期的なクライアント参加頻度を平準化する。
• 欠落クライアントに対する surrogate 更新は表現喪失を緩和し、ドロップアウト下での学習継続性を維持する。
• 経験的結果は、ほぼ完璧な精度公正性（ Jain_acc = 0.975 ）と、ベースラインと比較して大幅に低いユーティリティCV（0.19）を示す。
• q-FFLおよびPHP-FLと比較して、提案手法は平均精度（Avg Acc = 80.43）と公正性指標（選択ギャップ低下、Gini低下）でより高い値を達成する。
• surrogate 増強版は、surrogate 非適用版と同じ Avg Acc と Jain_acc を維持しつつ、ユーティリティの CV と Jain を改善する。

Figure 2 : Accuracy and fairness variance versus round number using random sampling.