T2F2L : Towards Trustworthy Fairness in Federated Learning Through A Verifiable Approach
Keshavarzkalhori, Ghazaleh (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Pérez-Solà, Cristina (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Navarro-Arribas, Guillermo (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Herrera-Joancomartí, Jordi (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)

Data:	2025
Descripció:	8 pàg.
Resum:	Federated learning (FL) has emerged as a privacypreserving alternative to traditional machine learning, enabling collaborative model training without centralizing users' data. While this decentralized approach enhances privacy, it ntroduces new trust assumptions. Specifically, that users honestly participate in the protocol. Simultaneously, the growing emphasis on fairness in machine learning has led to the development of fairness-aware FL schemes, which aim to ensure equitable model performance across diverse user groups. However, existing solutions for fair FL schemes rely on users truthfully reporting fairness-related metrics. This trust assumption opens the door to malicious behavior: users may manipulate these statistics to influence the global model, degrading its fairness, and/or its overall accuracy. Current frameworks lack mechanisms to detect or prevent such adversarial manipulation. This paper addresses this critical gap through two main contributions. First, as an example to illustrate our point, we empirically demonstrate the vulnerability of a representative fairness-aware FL framework to targeted attacks that exploit unverified fairness computations. Second, and most mportantly, we propose a novel scheme (that can be integrated into existing fair FL schemes) that augments fairness-aware FL with verifiability. Our solution enables the detection of dishonest participants without compromising user privacy, thus strengthening the robustness of fairness-aware federated learning schemes.
Ajuts:	Agencia Estatal de Investigación PID2024-156914OB-C43 Agencia Estatal de Investigación PID2021-125962OB-C33 Generalitat de Catalunya 2021/SGR-00643
Drets:	Aquest material està protegit per drets d'autor i/o drets afins. Podeu utilitzar aquest material en funció del que permet la legislació de drets d'autor i drets afins d'aplicació al vostre cas. Per a d'altres usos heu d'obtenir permís del(s) titular(s) de drets.
Llengua:	Anglès
Document:	Capítol de llibre ; recerca ; Versió acceptada per publicar
Matèria:	Fairness ; Federated Learning ; Verifiable Computations
Publicat a:	24th IEEE International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom). Guiyang, (2025 : Guiyang) , p. 369-376, ISBN 979-8-3315-6532-9

DOI: 10.1109/Trustcom66490.2025.00048

Disponible a partir de: 2027-01-30 Postprint 8 p, 572.8 KB

El registre apareix a les col·leccions:
Llibres i col·leccions > Capítols de llibres