Apprentissage fédéré
L’apprentissage fédéré (ou federated learning) est une technique d’apprentissage automatique qui forme un algorithme sur plusieurs serveurs décentralisés contenant des échantillons de données locaux, sans échange de leurs échantillons de données.
Les serveurs decentralisés peuvent être des centaines de milliers de smartphones qui élaborent chacun de leur côté un mini model, ensuite transmis à un serveur central qui agrège l’ensemble des mini-modèles. Cette approche contraste avec les techniques d’apprentissage automatique centralisées traditionnelles dans lesquelles tous les échantillons de données sont chargés sur un serveur, ainsi qu'avec les approches décentralisées plus classiques qui supposent que les échantillons de données locaux sont distribués de manière identique.
L'apprentissage fédéré permet à plusieurs acteurs de créer un modèle d'apprentissage automatique commun et robuste sans partage de données, abordant ainsi des problèmes critiques tels que la confidentialité des données, la sécurité des données, les droits d'accès aux données et l'accès aux données hétérogènes. Ses applications sont réparties dans plusieurs industries, notamment la défense, les télécommunications, l’IdO ou les produits pharmaceutiques.
