Spiegabilità nell'apprendimento federato

Explainability in Federated Learning offre un'esplorazione completa dell'integrazione dell'IA spiegabile (XAI) nei sistemi di apprendimento federato (FL). Il libro inizia delineando i fondamenti di FL e XAI prima di approfondire la loro intersezione evidenziando le sfide e i vantaggi dell'interpretabilità in ambienti decentralizzati. Presenta varie tecniche di spiegabilità adattate alla FL sottolineando la personalizzazione la gestione di dati eterogenei e il funzionamento in ambienti con risorse limitate. I capitoli chiave affrontano i temi della fiducia dell'equità e della trasparenza supportati da casi di studio reali e da strumenti di visualizzazione. Le implicazioni etiche legali e sociali sono discusse insieme alle prospettive di conflitto. Il libro si conclude con le strategie di benchmarking e le future direzioni di ricerca rappresentando una guida fondamentale per i ricercatori gli sviluppatori e i responsabili politici che mirano a costruire modelli FL trasparenti e affidabili.