En savoir plus
"Explainability in Federated Learning" offre une exploration complète de l'intégration de l'IA explicable (XAI) dans les systèmes d'apprentissage fédéré (FL). Le livre commence par exposer les principes fondamentaux de l'apprentissage fédéré et de l'IA X avant de se plonger dans leur intersection, en soulignant les défis et les avantages de l'interprétabilité dans les environnements décentralisés. Il présente diverses techniques d'explicabilité adaptées à la FL, en mettant l'accent sur la personnalisation, la gestion de données hétérogènes et le fonctionnement dans des environnements à ressources limitées. Des chapitres clés traitent de la confiance, de l'équité et de la transparence, en s'appuyant sur des études de cas réels et des outils de visualisation. Les implications éthiques, juridiques et sociales sont abordées parallèlement aux perspectives contradictoires. L'ouvrage se termine par des stratégies d'analyse comparative et des orientations de recherche futures. Il constitue un guide essentiel pour les chercheurs, les développeurs et les décideurs qui souhaitent élaborer des modèles de FL transparents et dignes de confiance.
A propos de l'auteur
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.
