L'apprentissage fédéré avec confidentialité différentielle combine l'entraînement distribué de modèles sur plusieurs appareils locaux avec des méthodes mathématiques de protection de la vie privée.
Dans l'apprentissage fédéré, les modèles locaux sont entraînés sur les appareils finaux et seules des mises à jour agrégées sont envoyées à un serveur central.
La confidentialité différentielle est utilisée pour ajouter du bruit à ces mises à jour, de sorte que les points de données individuels ne puissent pas être reconstruits.
Les paramètres importants sont le budget de confidentialité (ε, delta), qui définit le niveau de protection de la vie privée, et le degré de bruit ajouté.
Cette combinaison permet de développer des modèles d'IA robustes avec un haut niveau de protection des données, ce qui est particulièrement demandé dans des secteurs réglementés comme la médecine ou la finance.