基于GAI的可解释个性化联邦半监督学习

本文解决了在实际应用中联邦学习面临的标签稀缺、非独立同分布数据和不可解释性等问题。通过引入生成性人工智能（GAI）辅助的个性化联邦半监督学习框架XPFL，本文提出了一种新颖的模型训练方法，并通过可解释AI机制提升模型的可解释性。最终，仿真结果验证了XPFL框架的有效性，并显示其在个性化学习方面的潜在影响。