机构名称：
¥ 1.0
摘要 当今时代的特点是基于数据处理的应用程序和服务日益普及，这些应用程序和服务通常基于人工智能 (AI)，尤其是机器学习 (ML) 算法。事实上，从数据中提取见解在个人、公司和公共实体的日常生活中非常常见，并且与市场参与者息息相关，已成为机构组织关注的重要问题。这个主题如此重要，以至于已经提出了临时规定。应用程序解决数据隐私问题的能力是其中一个重要方面。此外，根据特定的应用领域，最重要的是人类能够理解为什么某个基于 AI/ML 的应用程序会提供特定的输出。在本文中，我们讨论了可解释 AI (XAI) 模型的联邦学习概念，简称 FED-XAI，旨在同时满足这两个要求。AI/ML 模型的训练目标是同时保护数据隐私（联邦学习 (FL) 端）并确保系统具有一定程度的可解释性（XAI 端）。我们首先介绍 FL 和 XAI 的基础动机及其基本概念；然后，我们讨论该研究领域的现状，并简要介绍方法、模型和结果。最后，我们重点介绍未来的主要挑战。
Fed-XAI：可解释人工智能模型的联合学习⋆
主要关键词
相关文件推荐
