Federated Learning : Révolution ou Risque ?
Source : Wikimedia Commons
Qu'est-ce que le Federated Learning (FL) ?
Le Federated Learning est une méthode d'apprentissage automatique décentralisé où les données restent sur les appareils locaux (hôpitaux, smartphones, etc.), et seuls les modèles mis à jour sont partagés avec un serveur central.
Applications et Lacunes par Domaine
1. Santé
- Application: Optimisation des lits de réanimation (MIMIC-IV).
- Problèmes de sécurité:
Risque Solution Attaques par inversion de modèle Chiffrement homomorphe Fuites de données via métadonnées Agrégation différentiellement privée
2. Finance
- Application: Détection de fraude sans partage de données clients.
- Problèmes:
- Attaques par empoisonnement de modèles
- Biais dans les données locales
3. IoT
- Application: Maintenance prédictive dans les usines.
- Problèmes:
- Appareils peu sécurisés (capteurs industriels)
- Latence critique pour les mises à jour
Conclusion
Le FL offre des avantages majeurs pour la confidentialité, mais exige des solutions innovantes contre les attaques ciblées et les biais. Les recherches récentes (comme FedAvg) montrent des progrès prometteurs.
