破解联邦学习中的辛普森悖论，浙大提出反事实学习新框架FedCFA

浙江大学人工智能研究所提出FedCFA，解决联邦学习中因数据异质性和不平衡性导致的辛普森悖论问题。该框架通过在客户端生成与全局平均数据对齐的反事实样本，缓解端侧数据偏见，避免错误特征-标签关联，使本地数据分布更接近全局分布。实验结果显示，FedCFA相比其他方法能显著提升全局模型精度并减少通信轮数，在处理具有辛普森悖论的数据集时表现出色。
来源：https://mp.weixin.qq.com/s/sNwbueRxqmT56SzW8s_r-g