Informations administratives
| Titre | Théorie de l’apprentissage fédéré (profilage et personnalisation) |
| Durée | 45-60 min |
| Module | C |
| Type de leçon | Conférence |
| Focus | Technique — IA future |
| Sujet | Progrès dans les modèles ML à travers une lentille HC — Une étude axée sur les résultats |
Mots-clés
Apprentissage fédéré, système fondé sur le savoir, protection de la vie privée,
Objectifs d’apprentissage
- Fournir les motivations pour faire l’apprentissage fédéré
- Fournir une compréhension initiale des techniques de base pour l’apprentissage fédéré
- Discuter des principales limites et des défis qui y sont liés
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Connaissance de base des probabilités et des statistiques
- Compréhension de base de la formation en apprentissage profond (SGD, algorithme de rétropropagation) et des techniques d’évaluation
- Introduction aux concepts d’apprentissage automatique et d’apprentissage profond donnés dans les conférences précédentes
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
Aucun.
Recommandé pour les enseignants
- P. Kairouz, et al. «Advances and Open Problems in Federated Learning», Foundations and Trends® in Machine Learning: Vol. 14: No 1–2, p. 1-210. — URL
- Konečný, Jakub et McMahan, H. Brendan et Ramage, Daniel et Richtárik, Peter. «Optimisation fédérale: Distributed Machine Learning for On-Device Intelligence". arXiv 2016.
- Chen Zhang, et al., Une enquête sur l’apprentissage fédéré, Systèmes basés sur le savoir, Volume 216, 2021, 106775, ISSN 0950-7051 - URL
- Google Federated Learning et IA
- Apprentissagefédéré: Apprentissage automatique collaboratif sans données de formation centralisées
- Apprentissage profond -> Enseignement fédéré en 10 lignes
- TensorFlow/fédérée
Matériel de leçon
Instructions pour les enseignants
- Donner une vue d’ensemble des techniques, de leurs avantages et inconvénients
- Proposer des quiz pop-up
L’événement d’apprentissage fait référence aux types de modèles, à leur évaluation et aux techniques d’optimisation possibles.
Esquisse
| Durée | Description | Concepts |
|---|---|---|
| 10 min | Introduction: Scénario motivant et introduction à l’apprentissage fédéré: Qu’est-ce que c’est, à quoi il sert, quand et pourquoi il est nécessaire. | Gravité des données, confidentialité des données et définition du scénario habilitant. |
| 10 min | Apprentissage fédéré: concepts de base, définition du système et vue d’ensemble algorithmique | Notions de base de l’approche de l’apprentissage fédéré |
| 15 min | Algorithme de la moyenne fédérée: Définition formelle et propriétés | Algorithme de base pour l’apprentissage fédéré |
| 20 min | Au-delà de la moyenne fédérée: limites de la moyenne fédérée, défis et solutions possibles. | Déséquilibre des données, personnalisation, équité |
| 5 min | Conclusion, questions et réponses | Résumé |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.