💻 computer science

FinP: Fairness-in-Privacy in Federated Learning by Addressing Disparities in Privacy Risk

यह शोध पत्र FinP प्रस्तुत करता है, जो एक नवीन फेडरेटेड लर्निंग फ्रेमवर्क है जो सर्वर-साइड एडेप्टिव एग्रीगेशन और क्लाइंट-साइड रेगुलराइजेशन को संयोजित करके 'फेयरनेस-इन-प्राइवेसी' (fairness-in-privacy) को लागू करता है ताकि ग्लोबल मॉडल की उपयोगिता को बनाए रखते हुए सोर्स इन्फरेंस अटैक्स (Source Inference Attacks) के विरुद्ध प्राइवेसी जोखिम में असमानताओं को महत्वपूर्ण रूप से कम किया जा सके।

मूल लेखक: Tianyu Zhao, Mahmoud Srewa, Salma Elmalaki

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tianyu Zhao, Mahmoud Srewa, Salma Elmalaki

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि पड़ोसियों का एक समूह अपने स्वयं के पिछवाड़े से जानकारी के छोटे टुकड़ों को साझा करके अपने पड़ोस का एक एकल, सुपर-स्मार्ट मानचित्र बनाने की कोशिश कर रहा है। यह फेडरेटेड लर्निंग (FL) है। सभी को अपना डेटा एक केंद्रीय कार्यालय में लाने के बजाय (जो जोखिम भरा है), वे अपना डेटा घर पर ही रखते हैं और केवल अपडेट एक "सामुदायिक नेता" (सर्वर) को भेजते हैं जो उन्हें जोड़ता है।

समस्या क्या है? हर किसी का पिछवाड़ा एक जैसा नहीं है। कुछ पड़ोसियों के पास बहुत ही अनूठे बगीचे (आउटलेयर्स/विजातीय) हैं, जबकि अधिकांश के पास मानक लॉन हैं। वर्तमान प्रणाली में, सामुदायिक नेता अनजाने में उन अनूठे बगीचों को बहुत अधिक महत्व दे देता है। इससे उन अनूठे बगीचों के मालिकों को जासूसों के लिए आसान लक्ष्य बना देता है जो यह पता लगाना चाहते हैं कि वे वास्तव में कौन हैं और वे क्या उगा रहे हैं। यह अनुचित गोपनीयता (unfair privacy) है: जिनके पास सबसे अनूठा डेटा है, उन्हें सबसे अधिक जोखिम उठाना पड़ता है, जबकि बाकी सभी अपेक्षाकृत सुरक्षित हैं।

यह शोध पत्र FinP (फेयरनेस-इन-प्राइवेसी) पेश करता है, जो एक नई प्रणाली है जिसे यह सुनिश्चित करने के लिए डिज़ाइन किया गया है कि कोई भी अकेला पड़ोसी गोपनीयता के जोखिम का भार न उठाए।

यहाँ बताया गया है कि सरल उपमाओं का उपयोग करके FinP कैसे कार्य करता है:

समस्या: "अनूठा बगीचा" प्रभाव (The "Unique Garden" Effect)

एक सामान्य पड़ोस में, यदि किसी व्यक्ति के पास एक दुर्लभ, विदेशी फूल है जो किसी और के पास नहीं है, और वह उसकी फोटो साझा करता है, तो हर कोई अनुमान लगा सकता है, "ओह, यह निश्चित रूप से श्रीमती स्मिथ का बगीचा होगा!"
फेडरेटेड लर्निंग में, यदि किसी उपयोगकर्ता के पास अनूठा डेटा है (जैसे कि एक दुर्लभ चिकित्सा स्थिति या चलने का एक बहुत ही विशिष्ट तरीका रखने वाला व्यक्ति), तो AI मॉडल उस अनूठे पैटर्न को "याद" (memorize) कर लेता है। एक जासूस (सर्वर) मॉडल को देखकर कह सकता है, "यह हिस्सा निश्चित रूप से उस विशिष्ट व्यक्ति से आया है।" इसे सोर्स इन्फरेंस अटैक (Source Inference Attack) कहा जाता है।

समाधान: FinP की दो-तरफा सुरक्षा

FinP एक स्मार्ट सामुदायिक प्रबंधक की तरह कार्य करता है जो मानचित्र को खराब किए बिना अनूठे बगीचे के मालिकों की रक्षा करने के लिए दो रणनीतियों का उपयोग करता है।

1. क्लाइंट-साइड फिक्स: "पड़ोसियों को घुलने-मिलने के लिए सिखाना"

समस्या: अनूठे बगीचे वाले मालिक अपने विशिष्ट फूलों को दिखाने की बहुत अधिक कोशिश कर रहे हैं। AI के संदर्भ में, उनके स्थानीय मॉडल "ओवरफिटिंग" (विवरणों को बहुत बारीकी से याद करना) कर रहे हैं।
समाधान: FinP इन अनूठे मालिकों को एक कोमल सुझाव देता है। यह उन्हें कहता है, "अपने विशिष्ट, दुर्लभ फूल पर इतना ध्यान न दें; इसके बजाय एक सामान्य फूल के आकार को सीखने का प्रयास करें।"
यह कैसे काम करता है: सिस्टम मापता है कि एक पड़ोसी का डेटा कितना "अनूठा" है (एक गणितीय उपकरण का उपयोग करके जिसे हेसियन (Hessian) कहा जाता है, जो उनके सीखने के पथ के कितने तीव्र और तीखे होने का मानचित्र है)। यदि कोई पड़ोसी बहुत अधिक तीखा और अनूठा है, तो सिस्टम एक "रेगुलराइजेशन" पेनल्टी जोड़ता है। यह उन्हें अपने सीखने को सुचारू (smooth) बनाने के लिए मजबूर करता है, जिससे उनका डेटा औसत जैसा दिखने लगता है। यह एक अनूठे माली को अपनी बाड़ का एक मानक रंग पेंट करने के लिए कहने जैसा है ताकि वह बहुत अधिक अलग न दिखे।

2. सर्वर-साइड फिक्स: "भारित वोट" (The Weighted Vote)

समस्या: भले ही अनूठे माली घुलने-मिलने की कोशिश करें, सामुदायिक नेता अंतिम मानचित्र बनाने के लिए उनके अनूठे अपडेट को बहुत अधिक महत्व दे सकता है।
समाधान: सामुदायिक नेता वोटों की गिनती करने का तरीका बदल देता है।
यह कैसे काम करता है: नेता आने वाले अपडेट्स को देखता है। यदि कोई अपडेट बहुत अधिक अनूठा या जोखिम भरा दिखता है (जैसे कि एक विशाल, विदेशी फूल), तो नेता कहता है, "ठीक है, हम आपकी बात सुनेंगे, लेकिन हम आपकी आवाज़ को दूसरों की तुलना में उतनी तेज़ नहीं होने देंगे।" वे सबसे संवेदनशील क्लाइंट्स का भार (weight) गतिशील रूप से कम कर देते हैं। यह सुनिश्चित करता है कि अंतिम मानचित्र अनूठे आउटलेयर्स की ओर बहुत अधिक झुका हुआ न हो, जिससे उनकी पहचान होने का खतरा कम हो जाता है।

परिणाम: एक निष्पक्ष पड़ोस

शोध पत्र ने वास्तविक दुनिया के परिदृश्यों, जैसे कि लोगों की गतिविधियों को ट्रैक करना (Human Activity Recognition) और छवियों को पहचानना (CIFAR-10 और FEMNIST), पर इस प्रणाली का परीक्षण किया।

निष्पक्षता (Fairness): FinP ने "सबसे संवेदनशील" और "सबसे कम संवेदनशील" लोगों के बीच के अंतर को सफलतापूर्वक कम किया। इसने गोपनीयता जोखिम के वितरण को बहुत अधिक समान बना दिया। शोध पत्र का दावा है कि इसने इन असमानताओं को 57% तक कम कर दिया।
उपयोगिता (Utility): आमतौर पर, जब आप गोपनीयता सुरक्षा जोड़ते हैं, तो मानचित्र थोड़ा धुंधला या कम सटीक हो जाता है। FinP ने मानचित्र को मूल की तरह लगभग उतना ही स्पष्ट बनाए रखने में सफलता प्राप्त की। सटीकता में बहुत मामूली, लगभग न के बराबर गिरावट (लगभग 1.75%) आई।
तुलना: शोध पत्र ने "डिफरेंशियल प्राइवेसी" (एक सामान्य विधि जो रैंडम नॉइज़ या शोर जोड़ती है, जैसे रेडियो पर स्टैटिक) का भी परीक्षण किया। उन्होंने पाया कि जबकि शोर गोपनीयता जोड़ता है, यह अक्सर मानचित्र को बहुत खराब कर देता है और वास्तव में निष्पक्षता को ठीक नहीं करता है; यह बस सभी के डेटा को समान रूप से शोरयुक्त बना देता है। इसके विपरीत, FinP मूल कारण (अनूठा याद करना) को ठीक करता है, न कि केवल शोर जोड़ता है।

संक्षेप में

FinP एक ऐसी प्रणाली है जो यह सुनिश्चित करती है कि एक सामूहिक शिक्षण परियोजना में, जिनके पास सबसे अनूठा डेटा है, उन्हें अलग न किया जाए और उजागर न किया जाए। यह उन्हें अपने सीखने को सामान्य बनाने के लिए शिक्षित करके और यह सुनिश्चित करके कि समूह का नेता उनके अनूठे डेटा को बहुत अधिक शक्ति न दे, ऐसा करता है। परिणाम एक ऐसी प्रणाली है जहाँ गोपनीयता निष्पक्ष रूप से साझा की जाती है, और अंतिम उत्पाद अत्यधिक उपयोगी बना रहता है।

तकनीकी सारांश: FinP: फेडरेटेड लर्निंग में प्राइवेसी रिस्क के विषमताओं को संबोधित करके प्राइवेसी में निष्पक्षता (Fairness-in-Privacy) सुनिश्चित करना

1. समस्या विवरण (Problem Statement)

फेडरेटेड लर्निंग (FL) डेटा के बड़े पैमाने पर केंद्रीकरण के जोखिमों को कम करता है, लेकिन यह सभी सहभागी क्लाइंट्स के बीच समान गोपनीयता सुरक्षा सुनिश्चित करने में विफल रहता है। मानव-केंद्रित FL वातावरण में, सांख्यिकीय विषमता (non-IID डेटा) गोपनीयता जोखिमों के असमान वितरण का कारण बनती है। विशेष रूप से, अद्वितीय या आउटलायर डेटा वितरण वाले क्लाइंट्स (जैसे, ह्यूमन एक्टिविटी रिकग्निशन में विशिष्ट शारीरिक विकलांगता वाले व्यक्ति) स्थानीय ओवरफिटिंग (local overfitting) के प्रति संवेदनशील होते हैं। यह ओवरफिटिंग उनके स्थानीय मॉडलों को अद्वितीय डेटा बिंदुओं को याद करने (memorize) के लिए प्रेरित करती है, जिससे वे सोर्स इन्फरेंस अटैक (SFA) के प्रति अत्यधिक असुरक्षित हो जाते हैं।

मेंबरशिप इन्फरेंस अटैक (MIA) के विपरीत, जो यह निर्धारित करता है कि क्या कोई रिकॉर्ड प्रशिक्षण में उपयोग किया गया था, SIA उस विशिष्ट क्लाइंट की पहचान करता है जिसने वह रिकॉर्ड दिया था। यह छद्म नाम (pseudonymity) को तोड़ देता है और संवेदनशील डेटा को वास्तविक दुनिया के संदर्भ (डिवाइस या स्थान) से जोड़ देता है। मौजूदा गोपनीयता रक्षाएं, जैसे कि डिफरेंशियल प्राइवेसी (DP), अक्सर एक समान शोर (uniform noise) इंजेक्ट करती हैं जो वैश्विक उपयोगिता (global utility) को कम कर देती है बिना व्यक्तिगत क्लाइंट के जोखिम को हल किए; कुछ मामलों में, वे विषम क्लाइंट्स के विशिष्ट अपडेट को छिपाने में विफल होकर और सुव्यवस्थित क्लाइंट्स को दंडित करके अन्याय को और बढ़ा देती हैं। यह शोध पत्र एक महत्वपूर्ण अंतर की पहचान करता है: फेयरनेस-इन-प्राइवेसी (fairness-in-privacy) को औपचारिक रूप देने और लागू करने वाले ढांचे का अभाव, जो यह सुनिश्चित करे कि किसी भी एक समूह को गोपनीयता भेद्यता का अत्यधिक बोझ न उठाना पड़े।

2. कार्यप्रणाली: FinP फ्रेमवर्क (Methodology: The FinP Framework)

FinP एक अभिनव ढांचा है जिसे प्राइवेसी विषमता के लक्षणों (असमान जोखिम एकत्रीकरण) और मूल कारणों (स्थानीय ओवरफिटिंग) दोनों को संबोधित करके 'फेयरनेस-इन-प्राइवेसी' को संचालित करने के लिए डिज़ाइन किया गया है। यह सर्वर-साइड और क्लाइंट-साइड हस्तक्षेपों के माध्यम से एक क्लोज्ड-लूप, दो-चरणीय रक्षा रणनीति का उपयोग करता है।

2.1 थ्रेट मॉडल (Threat Model)

यह ढांचा एक "ऑनेस्ट-बट-क्यूरियस" (honest-but-curious) सर्वर धारणा के तहत काम करता है। सर्वर प्रोटोकॉल का निष्ठापूर्वक पालन करता है, लेकिन मॉडल अपडेट और कर्वेचर मेट्रिक्स से संवेदनशील क्लाइंट जानकारी का अनुमान लगाने का प्रयास करता है। प्राथमिक खतरा दो-चरणीय हमला है:

मेंबरशिप इन्फरेंस अटैक (MIA): यह निर्धारित करना कि क्या एक लक्षित डेटा बिंदु $x$ ग्लोबल ट्रेनिंग सेट का हिस्सा है।
सोर्स इन्फरेंस अटैक (SIA): यदि $x$ को प्रशिक्षण के हिस्से के रूप में पुष्टि की जाती है, तो उस विशिष्ट क्लाइंट $C_i$ की पहचान करना जिसने इसे उत्पन्न किया है।

2.2 क्लाइंट-साइड हस्तक्षेप: सहयोगात्मक ओवरफिटिंग न्यूनीकरण (Client-Side Intervention: Collaborative Overfitting Reduction)

भेद्यता के मूल कारण (स्थानीय ओवरफिटिंग) को संबोधित करने के लिए, FinP एक फीडबैक-संचालित रेगुलराइजेशन तंत्र पेश करता है:

सापेक्ष ओवरफिटिंग अनुमान (Relative Overfitting Estimation): क्लाइंट अपने स्थानीय मॉडल के टॉप हेसियन आइजनवैल्यू ( $\lambda_{max}$ ) और हेसियन ट्रेस ( $H_T$ ) का उपयोग करके अपने ओवरफिटिंग स्तर का स्थानीय रूप से अनुमान लगाते हैं। ये मेट्रिक्स लॉस लैंडस्केप की तीव्रता (sharpness) को दर्शाते हैं; तीव्र लैंडस्केप गंभीर ओवरफिटिंग का संकेत देते हैं।
सापेक्ष रैंकिंग ( $\rho_k$ ): सर्वर प्रत्येक क्लाइंट के लिए एक सापेक्ष ओवरफिटिंग रैंक ( $\rho_k$ ) की गणना करने के लिए इन स्केलर मेट्रिक्स को एकत्रित करता है, जो फेडरेशन के सापेक्ष उनकी भेद्यता को दर्शाता है। यह रैंक लक्षित फीडबैक के रूप में क्लाइंट को वापस भेजा जाता है।
अनुकूली रेगुलराइजेशन (Adaptive Regularization): $\rho_k$ प्राप्त करने पर, क्लाइंट अपने स्थानीय लॉस फंक्शन में एक रेगुलराइजेशन टर्म जोड़कर उसे संशोधित करता है जो लिप्सचिट्ज़ कांस्टेंट (जैकबियन स्पेक्ट्रल नॉर्म द्वारा अनुमानित) द्वारा सीमित होता है। संशोधित लॉस है:
$L^*_k = L_k + \beta \cdot \rho_k \cdot ||J_k||$
यहाँ, $\beta$ एक टास्क-डिपेंडेंट पैरामीटर है। उच्च सापेक्ष ओवरफिटिंग रैंक ( $\rho_k$ ) वाले क्लाइंट्स पर अधिक कड़ा रेगुलराइजेशन लगाया जाता है, जो उन्हें अधिक सामान्यीकृत प्रतिनिधित्व (generalizable representations) सीखने के लिए मजबूर करता है और SIA के प्रति उनकी संवेदनशीलता को कम करता है।

2.3 सर्वर-साइड हस्तक्षेप: अनुकूली एकत्रीकरण (Server-Side Intervention: Adaptive Aggregation)

विषमता के लक्षणों को संबोधित करने के लिए, सर्वर क्लाइंट अपडेट के एकत्रीकरण भार (aggregation weights) को गतिशील रूप से समायोजित करता है:

जोखिम मात्रा निर्धारण (Risk Quantification): सर्वर क्लाइंट के सापेक्ष ओवरफिटिंग रैंक ( $\rho_k$ ) को प्राइवेसी रिस्क के प्रॉक्सी के रूप में उपयोग करता है।
एडेप्टिव लाइटवेट एग्रीगेशन (ALA): सर्वर जोखिम रैंक के व्युत्क्रमानुपाती (inversely proportional) रूप से एकत्रीकरण भार ( $\alpha_k$ ) की गणना करता है:
$\alpha_k = \frac{1 - \rho_k}{\sum_{i=1}^K (1 - \rho_i)}$
यह तंत्र अत्यधिक संवेदनशील क्लाइंट्स के प्रभाव को कम करता है, जिससे उनके द्वारा याद किए गए (memorized) आउटलायर रिप्रेजेंटेशन को ग्लोबल पैरामीटर्स को असंगत रूप से आकार देने से रोका जा सके।
वैकल्पिक बेसलाइन: पेपर एक PCA-आधारित रणनीति का भी मूल्यांकन करता है लेकिन ALA को एक अधिक कुशल, स्केलेबल समाधान के रूप में उजागर करता है जो वास्तविक दुनिया में तैनाती के लिए उपयुक्त है।

3. मुख्य योगदान (Key Contributions)

शोध पत्र चार मुख्य योगदानों को रेखांकित करता है:

औपचारिक परिभाषा: यह वास्तविक दुनिया के मानव-केंद्रित मशीन लर्निंग सिस्टम के लिए अनुकूलित फेयरनेस-इन-प्राइवेसी (FinP) की एक औपचारिक परिभाषा पेश करता है, जो गोपनीयता जोखिम के न्यायसंगत वितरण पर केंद्रित है।
संचालन (Operationalization): यह FL के भीतर FinP के मापन को संचालित करता है, विशेष रूप से सोर्स इन्फरेंस अटैक्स (SIA) के प्रति भेद्यता को मात्रात्मक रूप से मापता है।
अभिनव ढांचा: यह अनुकूली सर्वर-साइड एकत्रीकरण और क्लाइंट-साइड हेसियन-आधारित रेगुलराइजेशन को संयोजित करने वाला एक दो-चरणीय तकनीकी ढांचा प्रस्तावित करता है।
अनुभवजन्य सत्यापन: यह वास्तविक दुनिया के (HAR) और मानक (FEMNIST, CIFAR-10) डेटासेट पर व्यापक मूल्यांकन प्रदान करता है, जो न्यूनतम कार्य उपयोगिता (task utility) के साथ प्राइवेसी फेयरनेस में महत्वपूर्ण लाभ प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन तीन डेटासेट पर किया गया: ह्यूमन एक्टिविटी रिकग्निशन (HAR), CIFAR-10, और FEMNIST, जिसमें FinP की तुलना मानक FedAvg, स्टेट-ऑफ-द-आर्ट हेटेरोजेनिटी डिफेंस (FedAlign), और डिफरेंशियल प्राइवेसी (DP-SGD) से की गई।

4.1 प्राइवेसी फेयरनेस में सुधार

HAR डेटासेट: FinP ने SIA सटीकता के लिए कोएफिशिएंट ऑफ वेरिएशन (CoV) को 0.94 (बेसलाइन) से घटाकर 0.89 कर दिया, जिससे फेयरनेस इंडेक्स (FI) में 5.56% का सुधार हुआ। इसने इक्वल अपॉर्चुनिटी डिफरेंस (EOD) को 5.45% कम किया, जो क्लाइंट्स के बीच एक समान एडवर्सरी सक्सेस रेट को दर्शाता है।
CIFAR-10 डेटासेट: FinP ने प्रिडिक्शन लॉस के लिए फेयरनेस इंडेक्स (FI(Loss)) में FedAlign की तुलना में 43.1% का सुधार हासिल किया। इसने EOD को 57.14% तक कम कर दिया, जो गणितीय रूप से एडवर्सरी के लिए अधिक समान ट्रू पॉजिटिव रेट की गारंटी देता है।
पूर्ण गोपनीयता (Absolute Privacy): CIFAR-10 पर, FinP ने औसत SIA सटीकता को ~30.86% (FedAvg) से घटाकर 10.07% कर दिया, प्रभावी रूप से अटैक सक्सेस रेट को रैंडम गेसिंग (1/10) के स्तर तक कम कर दिया।

4.2 उपयोगिता और दक्षता (Utility and Efficiency)

मॉडल उपयोगिता: विशिष्ट प्राइवेसी-यूटिलिटी ट्रेड-ऑफ के विपरीत, FinP ने ग्लोबल मॉडल उपयोगिता को बनाए रखा या थोड़ा सुधारा। CIFAR-10 पर, FinP ने 78.46% की टेस्टिंग सटीकता प्राप्त की, जो FedAvg के 77.62% से थोड़ी अधिक है। HAR पर, गिरावट न्यूनतम (लगभग 1.75%) थी।
दक्षता: फ्रेमवर्क को कन्वर्ज होने के लिए केवल मामूली वृद्धि में संचार राउंड (communication rounds) की आवश्यकता हुई (जैसे, HAR में 9 के मुकाबले 10 राउंड)।
DP के साथ तुलना: पाया गया कि डिफरेंशियल प्राइवेसी (DP-SGD) उपयोगिता को काफी हद तक कम कर देती है (जैसे, HAR पर सटीकता में 34.7% की गिरावट) जबकि प्रायोगिक प्राइवेसी फेयरनेस में सुधार करने में विफल रहती है, और अक्सर फेयरनेस इंडेक्स को बदतर बना देती है।

4.3 एब्लेशन स्टडीज (Ablation Studies)

घटकों की सिनर्जी: पूर्ण क्लोज्ड-लूप सिस्टम (सर्वर + क्लाइंट) ने उच्चतम फेयरनेस लाभ दिए। सर्वर-साइड एकत्रीकरण अकेले लक्षणों को संबोधित करता है लेकिन संरचनात्मक निष्पक्षता के लिए अपर्याप्त है; क्लाइंट-साइड रेगुलराइजेशन अकेले ओवरफिटिंग को कम करता है लेकिन जोखिम वितरण को संतुलित करने के लिए वैश्विक समन्वय की कमी है।
कंप्यूटेशनल व्यावहारिकता: एडेप्टिव लाइटवेट एग्रीगेशन (ALA) रणनीति ने कंप्यूटेशनल रूप से महंगे PCA-आधारित बेसलाइन के समान ही फेयरनेस सुधार प्राप्त किया, जबकि केवल 17% कंप्यूटेशन समय का उपयोग किया।

5. महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि FinP विषमता को 57.14% तक कम करके और मानक फेडरेटेड बेसलाइन्स के भीतर ±1.75% की मामूली सीमा के भीतर ग्लोबल मॉडल उपयोगिता को बनाए रखते हुए समान गोपनीयता सुरक्षा स्थापित करता है।

लेखकों का तर्क है कि FinP महत्वपूर्ण है क्योंकि:

यह औसत गोपनीयता गारंटी से हटकर न्यायसंगत जोखिम वितरण पर ध्यान केंद्रित करता है, जो "जीरो ट्रस्ट" वास्तविकता को संबोधित करता है जहाँ कुछ लीकेज अपरिहार्य है।
यह प्रदर्शित करता है कि मजबूत फेयरनेस-इन-प्राइवेसी गारंटी मॉडल उपयोगिता से समझौता किए बिना प्राप्त की जा सकती है; वास्तव में, स्थानीयकृत मेमोरीज़ेशन को दंडित करके, यह फ्रेमवर्क सामान्यीकरण (generalization) और ग्लोबल सटीकता में सुधार कर सकता है।
यह एक स्केलेबल, व्यावहारिक समाधान (ALA के माध्यम से) प्रदान करता है जो पारंपरिक तरीकों के कंप्यूटेशनल बॉटलनेक्स से बचता है, जिससे यह संसाधन-बाधित, वास्तविक दुनिया के FL डिप्लॉयमेंट के लिए व्यवहार्य हो जाता है।
यह नीति निर्माताओं और सिस्टम डिजाइनरों को समान सुरक्षा लागू करने और AI सिस्टम में सार्वजनिक विश्वास बढ़ाने के लिए मूर्त मेट्रिक्स (जैसे EOD और FI) प्रदान करता है।

शोध पत्र निष्कर्ष निकालता है कि जोखिम के असमान वितरण को स्पष्ट रूप से संबोधित किए बिना, फेडरेटेड लर्निंग उस सामाजिक असमानता को मजबूत करने का जोखिम उठाती है जिसे वह दरकिनार करने का प्रयास करती है, और FinP इस डिजिटल असमानता को रोकने के लिए एक संरचनात्मक तंत्र प्रदान करता है।