Fair and secure federated adversarial training

Résumé

L’entraînement de modèles d’apprentissage automatique à la fois privés, robustes et déployables sur des dispositifs périphériques (edge devices) à ressources limitées nécessite de résoudre trois tensions qui ont largement été traitées de manière isolée. Cette thèse aborde ces trois aspects à travers une suite unifiée de contributions en Federated Adversarial Training (FAT). La première tension est architecturale : l’agrégation centralisée en apprentissage fédéré introduit un point de défaillance unique ainsi qu’une source de biais, mais la décentralisation naïve de l’agrégation dégrade la qualité du modèle. Nous résolvons ce problème avec FL-EGM, un cadre dans lequel, à chaque tour d’entraînement, le meilleur nœud participant en termes de performance est élu comme agrégateur, et ce noeud affine ensuite le modèle agrégé sur ses propres données locales. Cette étape de Enhanced Global Model (EGM) transforme l’accès privilégié de l’agrégateur aux données d’un désavantage en un atout, offrant une précision équivalente ou supérieure aux références centralisées (jusqu’à 98,5%), une convergence plus rapide et une stabilité même en présence d’un agrégateur biaisé, tout en éliminant le goulot d’étranglement du serveur fixe. La deuxième tension est computationnelle : l’Adversarial Training (AT), la défense la plus efficace connue contre les attaques d’évasion, impose un coût multiplicatif à chaque client participant, ce qui la rend irréaliste pour des dispositifs périphériques à ressources limitées. Nous résolvons ce problème avec FedHAT, un cadre qui stratifie les clients selon leur capacité de ressources. Les clients à fortes ressources effectuent un AT hybride avec diversification des attaques via PGD et FFGSM ; les clients à faibles ressources contribuent à un entraînement standard sur des données propres, fournissant une diversité distributionnelle que la seule couche adversariale ne peut pas offrir. Les deux signaux sont combinés via une agrégation pondérée par groupe suivie d’une étape de raffinement EGM, permettant d’obtenir une robustesse supérieure aux références de l’état de l’art dans des conditions IID et non-IID, et d’améliorer la robustesse face à des attaques non vues uniquement grâce à la diversification des attaques au niveau de la fédération, sans surcharger les dispositifs contraints ; des études d’ablation confirment que la diversification des attaques et l’EGM contribuent indépendamment. La troisième tension est énergétique : même les cadres hiérarchisés qui assignent des charges plus légères aux dispositifs les plus faibles finissent par les épuiser, car les niveaux de batterie diminuent au fil des tours, et aucune méthode existante n’adapte l’intensité d’entraînement à cette évolution. Nous résolvons ce problème avec EARS (Energy-Aware Robust Selection), qui introduit une machine à états par client, la Heterogeneous Adaptive Adversarial Training Intensity (H-AATI), ajustant en continu la force des attaques de PGD complet à FGSM puis à un entraînement standard, en fonction de la batterie de chaque appareil et du nombre estimé de tours restants supportables. Un sélecteur multi-objectif complémentaire privilégie les clients disposant de meilleures ressources pour les rounds intensifs. Sur quatre jeux de données de référence et dix comparaisons avec des baselines, EARS atteint une survie des clients de 100%, une réduction de 40 à 43% de la consommation énergétique cumulée, et une robustesse située à 1–5 points de pourcentage des meilleures méthodes non sensibles à l’énergie, alors que les méthodes existantes épuisent 76 à 100% des dispositifs bas de gamme avant la fin de l’entraînement. Chaque point de pourcentage de robustesse cédé par rapport à la meilleure référence permet environ 40% de réduction d’énergie et 80% d’amélioration de la survie, faisant de l’entraînement adversarial sensible à l’énergie non pas une simple optimisation d’efficacité mais une exigence de correction pour les déploiements hétérogènes. Ensemble, ces trois contributions constituent une progression cohérente allant de l’agrégation décentralisée, à l’allocation de rôles consciente des ressources, jusqu’au contrôle adaptatif de l’intensité énergétique, démontrant que robustesse, confidentialité et durabilité peuvent être atteintes conjointement dans des environnements fédérés hétérogènes.

Date	21 août 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kaiwen Zhang (Directeur(-trice)) & Chamseddine Talhi (Codirecteur(-trice))