Vers un Apprentissage Fédéré Efficient et Digne de Confiance sur le Continuum Numérique

Les nouvelles réglementations pour la protection des données préconisent de passer à un modèle décentralisé plaçant les calculs à la périphérie du réseau. Suivant ce modèle, l'apprentissage fédéré (FL) exécute des tâches d'apprentissage automatique de façon décentralisée plutôt que de consolider de larges quantités de données sensibles sur un unique serveur. Alors que cette stratégie se montre efficace pour préserver la confidentialité des données, elle rencontre certaines difficultés en termes de déploiement à large échelle sur le Continuum Numérique. Les appareils hétérogènes, volatiles, défectueux ou corrompus, impactent significativement l'efficacité de l'apprentissage. Cette thèse tente d’apporter des solutions à ces problèmes pour mieux supporter le FL au travers du Continuum Numérique. Nous proposons de nouvelles approches pour améliorer la résilience des systèmes de FL lors de scénarios impliquant des pairs malveillants, et permettre un apprentissage personnalisé en fonction des objectifs locaux des différents clients. Nous allons plus loin en étudiant comment différentes infrastructures de calcul peuvent être utilisées pour reproduire la performance de systèmes réels de FL, marquant une nouvelle étape vers une meilleure compréhension des performances de ces systèmes dans des environnements complexes du Continuum Numérique.