解码联邦学习：FedNAM+ 共形革命
机器学习
2025-07-01 v2 计算机视觉与模式识别
摘要
联邦学习显著推进了跨分散数据源的机器学习模型分布式训练。然而，现有的框架往往缺乏结合不确定性量化、可解释性和鲁棒性的综合解决方案。为了解决这一问题，我们提出了 FedNAM+，这是一个将神经加性模型（Neural Additive Models, NAMs）与一种新颖的共形预测方法相结合的联邦学习框架，以实现可解释且可靠的不确定性估计。我们的方法引入了一种动态水平调整技术，利用基于梯度的敏感度图来识别影响预测的关键输入特征。这促进了可解释性和像素级不确定性估计。与不提供置信区间的传统可解释性方法（如 LIME 和 SHAP）不同，FedNAM+ 提供了对预测可靠性的可视化洞察。我们通过在 CT 扫描、MNIST 和 CIFAR 数据集上的实验验证了我们的方法，证明了其具有高预测精度和极小的损失（例如，在 MNIST 上仅为 0.1%），并提供了透明的不确定性度量。可视化分析突出了可变的不确定性区间，揭示了可以通过额外数据改善模型性能的低置信度区域。与 Monte Carlo Dropout 相比，FedNAM+ 以更低的计算开销提供了高效且全局的不确定性估计，使其特别适用于联邦学习场景。总体而言，FedNAM+ 提供了一个鲁棒、可解释且计算高效的框架，增强了去中心化预测建模中的信任和透明度。
引用
@article{arxiv.2506.17872,
title = {Decoding Federated Learning: The FedNAM+ Conformal Revolution},
author = {Sree Bhargavi Balija and Amitash Nanda and Debashis Sahoo},
journal= {arXiv preprint arXiv:2506.17872},
year = {2025}
}