Apprentissage fédéré

Un article de Wikipédia, l'encyclopédie libre.

En intelligence artificielle et en apprentissage machine, l'apprentissage fédéré (en anglais : federated learning) est une méthode ou un paradigme qui consiste à entraîner un algorithme sur la machine des utilisateurs d'une application et à partager les apprentissages réalisés sur la machine de chaque utilisateur. Cette méthode s'oppose à l'apprentissage centralisé où l'apprentissage se fait sur les serveurs du fournisseur de service. Elle permet notamment un meilleur respect de la vie privée des utilisateurs[1].

Bibliographie[modifier | modifier le code]

  • H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, Blaise Agüera y Arcas, "Communication-Efficient Learning of Deep Networks from Decentralized Data", 2017, https://arxiv.org/abs/1602.05629
  • Sébastien Godard, Nicolas Voisine, Tanguy Urvoy, Vincent Lemaire, ""Apprentissage fédératif pour la prédiction du churn : une évaluation", 2019, in "Extraction et Gestion des Connaissance" (EGC), http://vincentlemaire-labs.fr/publis/EGC2019_FEDLEARNING.pdf
  • Khademi Nori Milad, Yun Sangseok, Kim Il-Min, Fast Federated Learning by Balancing Communication Trade-Offs (2021). [1], [2].

Notes et références[modifier | modifier le code]

Articles connexes[modifier | modifier le code]