CE25 - Sciences et génie du logiciel - Réseaux de communication multi-usages, infrastructures de hautes performances

Apprentissage fédéré en ligne robuste et efficace – FLawed

Résumé de soumission

Les données générées par les dispositifs mobiles sont souvent exploitées par des techniques d'apprentissage automatique afin d’augmenter la personnalisation des services en ligne. Dans ce contexte, l’apprentissage fédéré (FL) constitue une solution attrayante de part sa capacité à préserver la vie privée : en apprentissage fédéré, un modèle d’apprentissage global est entrainé via la collaboration entre plusieurs appareils mobiles sans que les données ne quittent ces derniers. Des travaux récents ont montré que l'architecture FL traditionnelle où les données sont généralement intégrées dans le modèle pendant la nuit n'est pas adaptée aux applications qui fonctionnent sur des données volatiles (par exemple, les systèmes de recommandation) qui nécessitent des mises à jour plus fréquentes.
L’apprentissage fédéré en ligne « online FL » a donc vu le jour pour palier ce manque. Néanmoins, l'architecture du online FL présente de nombreuses limitations qui peuvent ralentir son adoption. Premièrement, le online FL nécessite des mises à jour du modèle qui drainent l'énergie directement de la batterie des téléphones des usagers. Par conséquent, il peut être nécessaire de motiver les utilisateurs par des récompenses à contribuer à l'objectif global d’entrainement. Deuxièmement, les systèmes d'exploitation mobiles ont été conçus pour des applications réactives avec une interface utilisateur. Par conséquent, ils ne disposent pas des abstractions nécessaires pour une exécution optimale des tâches FL qui peuvent être classées comme des tâches batch consommatrices de CPU. Troisièmement, l'architecture du online FL (et du FL en général) est sensible à de nombreuses attaques de robustesse car les utilisateurs ont non seulement accès aux paramètres du modèle global, mais peuvent également les modifier afin de biaiser à leur avantage les mises à jour du modèle envoyées au serveur FL. L'objectif de FLawed est de résoudre les problèmes susmentionnés en créant un framework permettant d’effectuer du online FL qui soit à la fois robuste aux attaques et ayant des performances efficaces.

Coordination du projet

Vlad Nitu (UMR 5205 - LABORATOIRE D'INFORMATIQUE EN IMAGE ET SYSTEMES D'INFORMATION)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

LIRIS UMR 5205 - LABORATOIRE D'INFORMATIQUE EN IMAGE ET SYSTEMES D'INFORMATION

Aide de l'ANR 250 786 euros
Début et durée du projet scientifique : décembre 2021 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter