Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
TensorFlow Federated
Framework open-source développé par Google pour l'apprentissage fédéré, intégré à TensorFlow et permettant la simulation et déploiement d'algorithmes d'apprentissage distribué sur des données décentralisées.
PySyft
Bibliothèque Python open-source pour l'apprentissage fédéré et la préservation de la vie privée, combinant PyTorch avec des techniques de cryptographie et de partage de secrets sécurisés.
Flower Framework
Framework d'apprentissage fédéré agnostique au framework ML, offrant une architecture flexible pour déployer des systèmes d'apprentissage fédéré avec des clients hétérogènes et des stratégies d'agrégation personnalisables.
FedML
Bibliothèque de recherche et production pour l'apprentissage fédéré, MLOps et benchmarking, fournissant une plateforme complète pour le développement et déploiement d'applications d'apprentissage fédéré à grande échelle.
OpenFL
Framework open-source pour l'apprentissage fédéré dans les environnements de santé et médical, développé par Intel et spécifiquement conçu pour les exigences de confidentialité et conformité HIPAA.
Substrato
Plateforme d'apprentissage fédéré open-source basée sur Kubernetes, permettant l'orchestration de charges de travail d'apprentissage distribué avec isolation et sécurité renforcées entre les participants.
LEAF
Benchmark open-source pour l'apprentissage fédéré, fournissant des ensembles de données réalistes partitionnés et des implémentations de référence pour évaluer les algorithmes dans des conditions hétérogènes.
FedAvg
Algorithme d'agrégation fondamental en apprentissage fédéré effectuant une moyenne pondérée des modèles locaux des clients en fonction de la taille de leurs datasets, servant de base à de nombreuses variantes.
FedProx
Extension de FedAvg ajoutant un terme de régularisation proximal à l'objectif local pour gérer l'hétérogénéité système et statistique entre les clients, améliorant la convergence dans des environnements non-IID.
SCAFFOLD
Algorithme d'apprentissage fédéré corrigeant le décalage de gradient client-serveur (client-drift) en utilisant des variables de contrôle pour stabiliser l'entraînement dans des scénarios fortement hétérogènes.
FedBN
Technique d'apprentissage fédéré préservant localement les statistiques de Batch Normalization pour chaque client, permettant de mieux gérer les distributions de données non-IID entre les participants.
FedOpt
Famille d'optimiseurs serveur pour l'apprentissage fédéré appliquant des méthodes d'optimisation adaptatives comme Adam ou Yogi directement sur le processus d'agrégation des modèles globaux.
FedPer
Approche d'apprentissage fédéré séparant les paramètres du modèle en base (globalement partagés) et personnalisés (locaux), permettant une personnalisation efficace tout en préservant la collaboration.
Aggregation Server
Composant central dans l'architecture fédérée collectant les mises à jour locales des clients, exécutant l'algorithme d'agrégation et distribuant le modèle global mis à jour aux participants.
Client Library
Ensemble d'outils logiciels côté client implémentant les protocoles de communication, l'entraînement local sécurisé et la gestion des cycles de vie des modèles dans un système d'apprentissage fédéré.
Secure Aggregation
Protocole cryptographique permettant au serveur d'agréger les mises à jour des modèles sans accéder aux mises à jour individuelles des clients, préservant ainsi la confidentialité des contributions locales.
Homomorphic Encryption
Technique cryptographique permettant d'effectuer des calculs directement sur des données chiffrées, utilisée en apprentissage fédéré pour agréger les modèles sans jamais déchiffrer les contributions clientes.