面向供应链信用评估的可解释性联邦学习——Trans-XFed
机器学习
2025-08-20 v1 分布式、并行与集群计算
摘要
本文提出了 Trans-XFed 架构，将联邦学习与可解释人工智能技术相结合，用于供应链信用评估。该模型旨在解决包括隐私、信息孤岛、类别不平衡、非独立且不 identically 分布（Non-IID）数据以及模型可解释性在供应链信用评估中的若干关键挑战。我们引入基于性能的客户端选择策略（PBCS）以解决类别不平衡和 Non-IID 问题。该策略通过选择具有更高局部 F1 分数的客户端来实现更快的收敛。用同态加密增强的 FedProx 架构作为核心模型，并进一步集成了 transformer 编码器。transformer 编码器模块为所学特征提供洞察。此外，我们采用集成梯度可解释人工智能技术以提供决策见解。我们通过在真实世界的供应链数据集上的实验评估了 Trans-XFed 的有效性。所得结果表明其能够在保持透明度和隐私的同时，比多个基线方法提供准确的信用评估。
引用
@article{arxiv.2508.13715,
title = {Trans-XFed: An Explainable Federated Learning for Supply Chain Credit Assessment},
author = {Jie Shi and Arno P. J. M. Siebes and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2508.13715},
year = {2025}
}
备注
Accepted by FLTA 2025