DOI码：10.1109/OJCOMS.2026.3703734
所属单位：杭州国际创新研究院
发表刊物：IEEE Open Journal of the Communications Society
刊物所在地：美国
关键字：federated learning; explainable artificial intelligence; data heterogeneity; robust aggregation; poisoning attacks
摘要：提出基于可解释人工智能的鲁棒联邦学习框架XAI-FL。服务器利用少量验证数据和积分梯度评估各客户端局部模型的贡献，据此动态调整聚合权重，以缓解非独立同分布数据、恶意客户端和模型投毒对全局模型精度与稳定性的影响。
备注：2026年Early Access论文；卷7，页7103-7117。
合写作者：Chuan Ma, Youjia Chen, Hao Yu, Athanasios V. Vasilakos, Youlong Wu
第一作者：Junnan Yang
论文类型：期刊论文
论文编号：11563834
学科门类：工学
一级学科：信息与通信工程
文献类型：SCI
卷号：7
页面范围：7103-7117
ISSN号：2644-125X
是否译文：否
发表时间：2026-06-15