XCal-FL

新的 XCal-FL 算法增强了差分隐私联邦学习的可解释性

研究人员开发了 XCal-FL，这是一种新颖的联邦学习算法，它动态校准差分隐私噪声以增强可解释性。这个闭环系统在训练过程中使用预测logit变化、反事实边际和显著性集中来调整噪声水平，从而提高模型准确性和解释的可靠性。实验表明，XCal-FL 在提高模型准确性和解释的可靠性方面显著优于静态噪声联邦学习和其他自适应 DP 方法，特别是在医疗诊断等关键决策应用中，它提供了更好的隐私预算效率和超越单纯预测性能的可解释性维度。