L'apprentissage fédéré est un paradigme d'apprentissage automatique décentralisé, dans lequel une multitude de clients entraînent localement des modèles sur leurs données privées et ne transmettent que les paramètres du modèle ou les gradients à un agrégateur central.
L'agrégateur combine généralement les mises à jour par une moyenne pondérée (par exemple, Federated Averaging, FedAvg) afin de créer un modèle global, qui est ensuite renvoyé aux clients.
Cette méthode permet d'entraîner des modèles sur des données non identiquement distribuées (non-IID) et hétérogènes, sans transférer les données elles-mêmes, améliorant ainsi la confidentialité et la sécurité des données.
Les questions de recherche importantes incluent l'optimisation des coûts de communication, la robustesse face aux clients défaillants ou malveillants ainsi que l'assurance de la confidentialité grâce à des techniques telles que la confidentialité différentielle et le calcul multipartite sécurisé.
Définition :
L'apprentissage fédéré est une méthode d'apprentissage automatique dans laquelle plusieurs clients décentralisés s'entraînent localement et n'envoient que leurs mises à jour de modèle à un serveur central qui les agrège pour créer un modèle commun, sans que les données brutes ne quittent les clients.
Source :
Konecny, J., McMahan, H. B., Yu, F., Richtárik, P., Suresh, A. T., & Bacon, D. (2016). Federated Learning: Strategies for Improving Communication Efficiency. arXiv preprint arXiv:1610.05492.