FedNAMs：在联邦学习背景下进行可解释性分析

联邦学习持续发展，但在可解释性和可说明性方面面临挑战。为应对这些挑战，我们引入了一种新颖的方法，该方法在联邦学习框架内采用神经加性模型（NAMs）。这种新的联邦神经加性模型（FedNAMs）方法融合了NAMs（其中单个网络专注于特定输入特征）的优势与联邦学习的去中心化方法，最终产生可解释的分析结果。这种集成通过在多个设备上对本地数据进行训练来增强隐私性，从而最大限度地降低与数据集中化相关的风险，并提高模型的鲁棒性和泛化能力。FedNAMs保持详细的、特征特定的学习，使其在金融和医疗保健等领域特别有价值。它们有助于训练客户端特定的模型以整合本地更新、保护隐私并缓解与集中化相关的担忧。我们在各种文本和图像分类任务（使用OpenFetch ML Wine、UCI Heart Disease和Iris等数据集）上的研究表明，与传统的联邦深度神经网络（DNN）相比，FedNAMs在精度损失极小的情况下提供了强大的可解释性。该研究包含显著发现，包括在客户端和全局层面识别关键预测特征。葡萄酒质量的挥发性酸度、硫酸盐和氯化物。心脏病的胸痛类型、最大心率和血管数量。鸢尾花分类的花瓣长度和宽度。这种方法增强了隐私性和模型效率，并提高了跨不同数据集的可解释性和鲁棒性。最后，FedNAMs生成了关于高可解释性和低可解释性特征原因的见解。