Faire progresser l'apprentissage fédéré tout en réduisant l'empreinte carbone – DELIGHT

Les technologies de l’IA sont aujourd’hui trop gourmandes en énergie pour être compatibles avec nos objectifs de développement durable. Si des travaux récents ont permis d’évaluer l’empreinte carbone des méthodes d’apprentissage traditionnelles, celle d’une approche émergente comme l’apprentissage fédéré est mal connue. Le projet DELIGHT vise à évaluer finement et à réduire la consommation énergétique de l’apprentissage fédéré en utilisant différents leviers (compression de gradient, data summarization, speed-scaling, etc.). Étant donné l’hétérogénéité des données, un autre objectif sera l'étude du processus de négociation et de formation d'une coalition entre les nœuds pour comprendre dans quelle mesure un nœud a intérêt à collaborer avec d’autres. Les techniques développées seront validées empiriquement sur des tâches de vision par ordinateur et de TALN en utilisant le toolkit Flower