Apprentissage fédéré préservant la vie privée et intégrant l’adaptation de domaine sans compromettre les performances – PriFeDAP

L'application de l'apprentissage fédéré aux données de santé soulève de sérieuses préoccupations concernant la protection de la vie privée. Les modèles d’apprentissage doivent s’optimiser localement sans partage de données d’une partie à l’autre, tout en résistant aux attaques de protection de la vie privée basées sur les paramètres des modèles échangés. Des approches à base de techniques de perturbation de données, notamment la confidentialité différentielle, ont été proposées pour traiter ces aspects de sécurité. Cependant, l’application de ces techniques dégrade la précision des prédictions des modèles d’apprentissage. Ainsi, il y a encore besoin d'améliorer davantage les approches de protection de la vie privée relatives à l’apprentissage fédéré. PriFeDAP relèvera ce défi en transformant les distributions statistiques des données d’entrainement dans le but de réduire la dégradation de l’utilité des données bruitées afin d’améliorer la précision des prédictions des modèles d’apprentissage fédéré tout en garantissant la protection de la vie privée. En complément, l'apprentissage des données entre les différentes parties pourra être effectué sans partage de données individuelles grâce à l’adaptation de domaine qui adresse les variations entre les différentes distributions sans compromettre les performances des modèles d’apprentissage.