Wyjaśnialność w nauczaniu federacyjnym

Explainability in Federated Learning oferuje kompleksowe badanie integracji wyjaśnialnej sztucznej inteligencji (XAI) z federacyjnymi systemami uczenia się (FL). Książka rozpoczyna się od nakreślenia podstaw FL i XAI a następnie zagłębia się w ich skrzyżowanie podkreślając wyzwania i korzyści związane z interpretowalnością w zdecentralizowanych środowiskach. Przedstawia różne techniki wyjaśniania dostosowane do FL kładąc nacisk na personalizację obsługę heterogenicznych danych i działanie w warunkach ograniczonych zasobów. Kluczowe rozdziały dotyczą zaufania uczciwości i przejrzystości wspieranych przez rzeczywiste studia przypadków i narzędzia wizualizacyjne. Konsekwencje etyczne prawne i społeczne są omawiane wraz z perspektywami kontradyktoryjności. Książka kończy się strategiami analizy porównawczej i przyszłymi kierunkami badań służąc jako ważny przewodnik dla badaczy programistów i decydentów politycznych dążących do stworzenia przejrzystych godnych zaufania modeli FL.