Artykuł będący przeglądem naukowym analizuje emergentny obszar Federated Explainable Artificial Intelligence (FedXAI), który łączy dwa kluczowe trendy w AI - zachowanie prywatności poprzez Federated Learning i przejrzystość poprzez wyjaśnialną sztuczną inteligencję. Naukowcy wykazują, jak explainability przechodzi od bycia narzędziem dodawanym po fakcie do integralnej części całego cyklu życia modeli federacyjnych.
Autorzy przeanalizowali, w jaki sposób wyjaśnialność wspiera kluczowe aspekty uczenia federacyjnego - od agregacji parametrów modelu przez personalizację dla poszczególnych uczestników, aż po robustność wobec ataków i koordynację systemu. Zaproponowali szeroką taksonomię klasyfikującą metody FedXAI w oparciu o role wyjaśnialności, typy modeli, zakres wyjaśnień, poziom integracji i heterogeniczność danych rozproszonych.
Kluczowym wnioskiem badania jest wskazanie na brakujące standaryzowane benchmarki i metryki do mierzenia jakości wyjaśnień, stabilności wyjaśnień oraz potencjalnych wycieków informacji prywatnych poprzez mechanizmy wyjaśniające. To stanowi poważne wyzwanie dla praktycznego wdrażania FedXAI w aplikacjach o wysokim znaczeniu, gdzie zarówno prywatność jak i przejrzystość decyzji są krytyczne.