Fairness em Aprendizado Federado Multi-Modelo sob Heterogeneidade de Dados e Sistemas

• Cláudio G. S. Capanema UFMG
• Fabrício A. Silva UFV
• Leandro A. Villas UNICAMP
• Antonio A. F. Loureiro UFMG

DOI: https://doi.org/10.5753/courb.2026.24099

Resumo

Este trabalho analisa o problema de fairness em Multi-model Federated Learning (MEFL) sob heterogeneidade de dados e sistemas. Diferentemente de abordagens tradicionais baseadas em igualdade, propõe-se uma visão de fairness fundamentada na proporcionalidade da contribuição, considerando simultaneamente volume de dados, capacidade computacional e custo dos modelos. Para isso, são definidas duas métricas: Fairness Proporcional à Contribuição Inter-Clientes (FPC-Inter), que avalia a proporcionalidade entre clientes, e Fairness Proporcional à Contribuição Intra-Cliente (FPC-Intra), que analisa a contribuição comparando modelos dentro de cada cliente. Os resultados mostram que os métodos existentes apresentam diferentes padrões de seleção de clientes e modelos, mas não conseguem equilibrar simultaneamente desempenho e fairness, evidenciando a necessidade de novas abordagens mais alinhadas à contribuição de referência.

Referências

Bhuyan, N. and Moharir, S. (2022). Multi-model federated learning. In 2022 14th International Conference on COMmunication Systems & NETworkS (COMSNETS), pages 779–783. IEEE.

Capanema, C., Costa, J., Silva, F., Villas, L., and Loureiro, A. (2024). Treine menos, preveja mais: plugin de aprendizado federado habilita alta eficiência em dados heterogêneos. In Anais do VIII Workshop de Computação Urbana, pages 85–98, Porto Alegre, RS, Brasil. SBC.

Capanema, C. G., de Souza, A. M., Silva, F. A., Villas, L. A., and Loureiro, A. A. (2023). Fedpredict: Combining global and local parameters in the prediction step of federated learning. In 2023 19th International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT), pages 17–24. IEEE.

Capanema, C. G. S., de Souza, A. M., da Costa, J. B. D., Silva, F. A., Villas, L. A., and Loureiro, A. A. F. (2025a). A novel prediction technique for federated learning. IEEE Transactions on Emerging Topics in Computing, 13(1):5–21.

Capanema, C. G. S., Silva, F. A., Villas, L. A., and Loureiro, A. A. F. (2025b). Data shift under delayed labeling in multi-model federated learning. In 2025 21st International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT), pages 570–577.

Capanema, C. G. S., Silva, F. A., Villas, L. A., and Loureiro, A. A. F. (2025c). Non-iid-aware multi-model federated learning. In 2025 International Conference on Modeling, Analysis and Simulation of Wireless and Mobile Systems (MSWiM), pages 10–14.

Lai, F., Zhu, X., Madhyastha, H. V., and Chowdhury, M. (2021). Oort: Efficient federated learning via guided participant selection. In 15th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 21), pages 19–35.

Lobato, W., Da Costa, J. B. D., Gonzalez, L. F. G., Cerqueira, E., Rosário, D., Sommer, C., and Villas, L. A. (2024). Entropy and mobility-based model assignment for multi-model vehicular federated learning. In 2024 2nd International Conference on Federated Learning Technologies and Applications (FLTA), pages 8–15.

Mukhtiar, N., Mahmood, A., and Sheng, Q. Z. (2025). Fairness in federated learning: Trends, challenges, and opportunities. Advanced Intelligent Systems, 7(6):2400836.

Shi, Y., Yu, H., and Leung, C. (2023). Towards fairness-aware federated learning. IEEE Trans. on Neural Netw. and Learning Systems.

Shin, J., Li, Y., Liu, Y., and Lee, S.-J. (2022). Fedbalancer: Data and pace control for efficient federated learning on heterogeneous clients. In Proceedings of the 20th Annual International Conference on Mobile Systems, Applications and Services, pages 436–449.

Siew, M., Zhang, H., Park, J.-I., Liu, Y., Ruan, Y., Su, L., Ioannidis, S., Yeh, E., and Joe-Wong, C. (2025). Fair concurrent training of multiple models in federated learning. IEEE Transactions on Networking.

Talukder, Z., Lu, B., Ren, S., and Islam, M. A. (2025). Hardware-sensitive fairness in heterogeneous federated learning. ACM Transactions on Modeling and Performance Evaluation of Computing Systems, 10(1):1–31.