Adaptive client selection and upgrade of resources for robust federated learning

Résumé

Par la faute des problèmes de confidentialité et les perspectives vers l’apprentissage profond, les quatre dernières années ont été marquées par une transformation dramatique dans l’application de l’Apprentissage Machine (AM). L’apprentissage fédéré (Federated Learning, FL), un modèle robuste et innovant, a surpassé les systèmes centralisés et l’analyse sur site, pour devenir une nouvelle conception dans la mise en oeuvre de l’AM. Dans ce type d’apprentissage, concerné par la confidentialité de données, plutôt que d’envoyer des données dans le nuage, des modèles d’AM sont formés localement à même les dispositifs. Les modèles générés sont ensuite envoyés au serveur pour agrégation, produisant un modèle global amélioré. Une série de recherche se poursuit actuellement ciblant différents aspects de FL. Néanmoins, l’application de FL et sa performance dans des scénarios de vrai-vie restent modérées vu sa limitation dans la sélection des clients et dans la réduction de prix de communication. Dans ce contexte, cette thèse prend en mesure de répondre aux défis posés par les dernières recherches. Particulièrement, les contributions de cette thèse portent sur les aspects suivants : (1) une preuve de concept pour intégrer FL dans l’application de sécurité Internet des Objets (IdO) : une nouvelle approche a été proposée pour la détection d’intrusion IdO, et a montré sa robustesse par rapport à l’apprentissage centralisé et sur l’appareil, (2) une approche multicritère de sélection de clients pour apprentissage fédéré a été proposée, tenant compte les ressources clients (UCT, mémoire, énergie et temps) où le nombre de clients est maximisé pour chaque cycle, et (3) mise à niveau adaptative des ressources clients afin de raffiner la qualité du modèle FL. Ainsi, des ressources sont distribuées aux clients à la base de leurs contributions pour pouvoir bénéficier de leurs données de haute-qualité dans le but d’atteindre la performance souhaitée du modèle global. L’efficacité et la robustesse des approches proposées ont été vérifiées par de divers prototypes et des expériences approfondies.

Date	11 mars 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Chamseddine Talhi (Directeur(-trice)) & Azzam Mourad (Codirecteur(-trice))