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.