Beyond Dirichlet Alpha: Realized Client Heterogeneity for Privacy–Utility–Fairness Evaluation in Federated Learning
Cet article propose un cadre d'évaluation sensible à l'hétérogénéité pour l'apprentissage fédéré qui conditionne les conclusions sur le compromis vie privée–utilité–équité aux distributions de clients réalisées et mesurées plutôt que de s'appuyer uniquement sur les paramètres nominaux de Dirichlet, démontrant que des valeurs de concentration égales produisent des variations significatives dans la structure réelle des données et les performances.