IEEE Trans. Consumer Electronics
2025
SCI · IF 4.3
可解釋 AI × 聯邦學習
Explainable Federated Learning Based Secure and Transparent Object Detection Model for Autonomous Vehicles
可解釋聯邦學習：兼顧隱私與透明的自駕車物件偵測
Ganesh Gopal Devarajan, M. Thirunavukkarasan, Maheswari Mahalinghum, Daniel Arockiam*, Mu-En Wu, Rajendra Prasad Mahapatra ｜ IEEE Transactions on Consumer Electronics, Jan. 2025
一句話：自駕車要「即時看懂路況」又不能把各車的行車資料集中上傳。這篇用聯邦學習做去中心化訓練保住隱私,再用可解釋 AI把物件偵測從黑箱變成看得懂的判斷。
先問：這在解什麼問題？the problem
自駕車與智慧運輸系統必須在瞬息萬變的路況中即時辨識行人、車輛與障礙物,物件偵測是安全的核心。但深度學習模型常被當成「黑箱」——為什麼這樣判斷說不清楚;而傳統做法要把大量行車影像集中訓練,又帶來隱私疑慮。安全攸關的場景,兩者都不能將就。
難點在同時要三件事:準（偵測要準）、私（資料不外流）、明（判斷看得懂）。這三者常互相衝突。
怎麼做？四個關鍵the method
Federated Learning不集中資料的協同訓練
各車在本地訓練、只交換模型,不上傳原始影像——去中心化的同時保住隱私。
YOLOv7-E改良版物件偵測
以強化版的 YOLOv7 系列偵測器做即時物件偵測,兼顧速度與準確。
Grad-CAM (XAI)讓判斷看得懂
用 Grad-CAM 把模型「注意到哪裡、依據什麼」視覺化,把黑箱變透明。
此外將語意資訊與偵測結果融合,讓輸出更容易被下游的駕駛決策系統理解。
流程：各車本地訓練 → 聯邦聚合模型 → 物件偵測 → 可解釋視覺化
成效與意義why it matters
↑ mAP
偵測準確度較比較模型更高（實際數值未公開）
把「隱私保護」「偵測準確」「可解釋」三件難以兼顧的事收攏在同一套框架裡,對安全攸關、又高度重視個資的自駕與智慧運輸情境特別實用。
看 IEEE 原文 →