Erklärbarkeit beim föderierten Lernen

"Explainability in Federated Learning" bietet eine umfassende Untersuchung der Integration von erklärbarer KI (XAI) in föderierte Lernsysteme (FL). Das Buch beginnt mit einem Überblick über die Grundlagen von FL und XAI, bevor es sich mit deren Überschneidungen beschäftigt und die Herausforderungen und Vorteile der Erklärbarkeit in dezentralen Umgebungen hervorhebt. Es werden verschiedene Erklärungsmethoden vorgestellt, die auf FL zugeschnitten sind, wobei der Schwerpunkt auf Personalisierung, Umgang mit heterogenen Daten und Betrieb in ressourcenbeschränkten Umgebungen liegt. Wichtige Kapitel befassen sich mit Vertrauen, Fairness und Transparenz, unterstützt durch Fallstudien aus der Praxis und Visualisierungstools. Ethische, rechtliche und soziale Implikationen werden ebenso erörtert wie kontradiktorische Perspektiven. Das Buch schließt mit Benchmarking-Strategien und zukünftigen Forschungsrichtungen und dient als wichtiger Leitfaden für Forscher, Entwickler und politische Entscheidungsträger, die transparente, vertrauenswürdige FL-Modelle entwickeln wollen.

Autorentext

Sravanthi Dontu et Rohith Vallabhaneni, tous deux chercheurs accomplis et titulaires d'un doctorat de l'Université des Cumberlands, aux États-Unis, sont spécialisés dans l'IA et l'informatique. Leur expertise couvre l'informatique en nuage, la cybersécurité, l'IdO et le génie logiciel. Ils ont apporté une contribution significative par leurs publications, leur innovation, leur leadership et leurs connexions mondiales.

Klappentext

"Explainability in Federated Learning" bietet eine umfassende Untersuchung der Integration von erklärbarer KI (XAI) in föderierte Lernsysteme (FL). Das Buch beginnt mit einem Überblick über die Grundlagen von FL und XAI, bevor es sich mit deren Überschneidungen beschäftigt und die Herausforderungen und Vorteile der Erklärbarkeit in dezentralen Umgebungen hervorhebt. Es werden verschiedene Erklärungsmethoden vorgestellt, die auf FL zugeschnitten sind, wobei der Schwerpunkt auf Personalisierung, Umgang mit heterogenen Daten und Betrieb in ressourcenbeschränkten Umgebungen liegt. Wichtige Kapitel befassen sich mit Vertrauen, Fairness und Transparenz, unterstützt durch Fallstudien aus der Praxis und Visualisierungstools. Ethische, rechtliche und soziale Implikationen werden ebenso erörtert wie kontradiktorische Perspektiven. Das Buch schließt mit Benchmarking-Strategien und zukünftigen Forschungsrichtungen und dient als wichtiger Leitfaden für Forscher, Entwickler und politische Entscheidungsträger, die transparente, vertrauenswürdige FL-Modelle entwickeln wollen.