FeDa4Fair: Benchmark per l'Equità nell'Apprendimento Federato

FeDa4Fair, un nuovo framework di benchmarking, affronta la valutazione dell'equità nell'Apprendimento Federato (FL). Mentre l'FL facilita l'addestramento collaborativo dei modelli con protezione della privacy, spesso crea un'illusione di equità, in cui i modelli globali sembrano equi in media ma possono comunque generare discriminazione a livello di client. Le attuali soluzioni per migliorare l'equità nell'FL generalmente affrontano bias legati a un singolo attributo sensibile binario, trascurando due situazioni pratiche: bias di attributo (clienti che mostrano iniquità verso vari attributi sensibili) e bias di valore (clienti che mostrano bias contrastanti riguardo a diversi valori dello stesso attributo). Come primo framework del suo genere, FeDa4Fair è progettato per testare rigorosamente i metodi di equità in questi scenari diversificati. È descritto in un articolo disponibile su arXiv (2506.21095) e offre una libreria per una ricerca affidabile e riproducibile sull'equità nell'FL.