Trans‑XFed: Erklärbares Federated Learning für Lieferketten‑Kreditbewertung

Die neue Trans‑XFed‑Architektur verbindet Federated Learning mit erklärbaren KI‑Methoden, um die Kreditbewertung in Lieferketten sicherer und transparenter zu gestalten. Durch die Kombination von Datenschutz, Vermeidung von Informationssilos und der Bewältigung von Klassenungleichgewicht sowie nicht‑identisch und unabhängig verteilten (Non‑IID) Daten bietet Trans‑XFed einen ganzheitlichen Ansatz für die Bewertung von Lieferanten‑Krediten.

Ein zentrales Merkmal ist die Performance‑basierte Client‑Auswahlstrategie (PBCS), die Clients mit hohen lokalen F1‑Scores auswählt. Dadurch wird die Konvergenz beschleunigt und die Modellleistung bei ungleichen Klassenverteilungen verbessert. Die Basis‑Modelle basieren auf FedProx, ergänzt durch homomorphe Verschlüsselung, um die Privatsphäre der Daten zu schützen.

Der Einsatz eines Transformer‑Encoders liefert tiefe Einblicke in die erlernten Merkmale, während die Integrated‑Gradients‑Methode die Entscheidungsfindung nachvollziehbar macht. In Experimenten mit realen Lieferketten‑Datensätzen zeigte Trans‑XFed eine höhere Genauigkeit bei der Kreditbewertung als mehrere Vergleichsmodelle, ohne dabei die Transparenz oder den Datenschutz zu beeinträchtigen.