[预印本] FedXCrop: Privacy-Preserving Crop Disease Detection via Federated Learning with Post-Aggregation Explainability under Non-IID Farm Distributions

方法

联邦学习FedAvg，5客户端38类数据，Grad-CAM可解释性量化评估。

发现

集中模型准确率99.38%，联邦达98.81%；标签偏斜仅降0.6–1.6个百分点。

机会点

可探索更极端非IID与异构客户端下的联邦聚合优化及可解释性与隐私的权衡。

提出FedXCrop联邦学习作物病害识别流程，在5客户端、38类数据上训练，集中模型准确率99.38%，联邦FedAvg达98.81%；标签偏斜使准确率降0.6–1.6个百分点，量化评估Grad-CAM可解释性，支撑隐私保护下的病害诊断。