Projet PRFL

Préservation de la Confidentialité et Apprentissage Fédéré Robuste

À propos du projet

Le projet vise à relever deux défis interconnectés, la confidentialité et la sécurité, dans le contexte de l'Apprentissage Fédéré (FL), en proposant de nouveaux algorithmes. L’objectif principal est d’explorer le potentiel des techniques de compression dans l’entraînement FL afin de créer un système FL privé et sécurisé, tout en étant efficace sur le plan computationnel. Contrairement aux études précédentes, le projet se fixe un objectif distinct : proposer une stratégie de compression qui trouve le meilleur compromis entre la confidentialité, la robustesse, une faible complexité computationnelle et les performances du modèle.

L'originalité du projet réside dans l'exploration d'une direction inédite, cherchant à comprendre de manière approfondie comment la compression peut améliorer l'efficacité computationnelle, la confidentialité et la sécurité des systèmes FL. L’objectif final est d’apporter des contributions significatives au domaine en favorisant le développement de systèmes d’Apprentissage Fédéré (FL) à la fois privés, sécurisés et efficaces sur le plan computationnel, avec des applications prometteuses, notamment dans le secteur de la santé et au-delà.