Le partage est synonyme de détection dans l'apprentissage fédéré. – Share2Detect

L'apprentissage fédéré (FL) permet un apprentissage respectueux de la vie privée, où un serveur central met à jour un modèle global en utilisant les paramètres des clients sans accéder à leurs données. Cependant, le FL fait face à des défis tels que les goulets d'étranglement en communication, les limites de calcul et les risques de sécurité. Un problème majeur est la variabilité statistique des jeux de données, notamment avec des échantillons non IID, qui sont essentiels pour un entraînement efficace.
Les changements dans la distribution des données, comme les client-shifts et les échantillons hors distribution (OoD), compliquent encore le FL. Les client-shifts résultent de données non IID, tandis que les échantillons OoD concernent des anomalies ou de nouvelles classes. Traditionnellement, ces problèmes sont traités avec des techniques d'adaptation de domaine (DA) non supervisées, souvent en nécessitant un accès aux données. Une variante préservant la vie privée, l'adaptation de domaine sans source (SFDA), permet le partage de modèles entre clients pour une adaptation non supervisée.
Notre projet vise à améliorer le processus d'apprentissage FL en proposant de nouvelles techniques SFDA pour corriger les changements de clients et détecter les OoD directement entre les clients, plutôt qu'au niveau du serveur. Cette approche réduit la propagation des erreurs vers le modèle global. L'apprentissage continu sera crucial pour éviter la perte de généralisation et l'oubli catastrophique, avec une synchronisation appropriée entre les clients et le serveur.
Nous nous concentrerons sur les données de séries temporelles, souvent collectées à partir d'appareils tels que des smartphones, des véhicules et des capteurs. Les types de données clés incluent les capteurs pour le diagnostic industriel, la reconnaissance d'activité humaine, ainsi que des signaux médicaux tels que l'EEG et l'ECG. De plus, nous explorerons la classification d'images médicales dans le contexte du FL.