Explicabilité dans l'apprentissage fédéré

"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.