Apprentissage automatique décentralisé et personnalisé sous contraintes – PAMELA

Le projet Pamela vise à développer un nouveau paradigme pour l'apprentissage automatique décentralisé. Les objectifs de ce projet sont motivés par des problématiques et applications concrètes fournies par nos partenaires : SNIPS et Mediego. Ces deux entreprises développent des systèmes de recommandation décentralisés et des outils de prédiction embarqués dans les assistants personnalisés de smartphones. Les défis portent sur le traitement de données massives, distribuées dans des réseaux, mais avec un caractère essentiel de contrainte de respect de la vie privée. Notre objectif scientifique est donc d'étudier l'apprentissage de modèles personnalisés locaux, de façon décentralisée et coopérative au sein de réseaux où sont distribués données et apprenants. Les contributions scientifiques de ce projet seront à la fois d'ordre théoriques et algorithmiques en apprentissage automatique. Elles seront co-construites dans un consortium regroupant des experts métier, des compétences en apprentissage automatique, algorithmique distribuée et en protection de la vie privée. Nous développerons des méthodes d'apprentissage en ligne et batch pour des nœuds du réseau capables d'exploiter les modèles appris par les nœuds voisins, ou encore d'accéder partiellement à leurs données ou leur représentation. Les algorithmes d'apprentissage visent à intégrer directement les contraintes de communication dans les réseaux et le respect de la vie privée dans des compromis optimaux. Dans un souci de passage à l'échelle, ils devront également estimer de façon adaptative les collaborations les plus profitables pour l'amélioration de leurs performances. Des résultats théoriques sur les ressources nécessaires à l'apprentissage ou les vitesses de convergence, les résolutions de compromis entre performance et respect de la vie privée sont attendus.