Glosarium AI
Kamus lengkap Kecerdasan Buatan
Biais de Sélection Fédéré
Distorsion systématique résultant de la sélection non aléatoire des participants dans un système d'apprentissage fédéré, pouvant conduire à une surreprésentation de certaines populations et compromettre l'équité globale.
Équité Algorithmique Distribuée
Principe garantissant que les décisions algorithmiques sont justes et non discriminatoires dans un contexte d'apprentissage distribué, en tenant compte des disparités entre les différents clients du système fédéré.
Différence de Privacité Fédérée
Cadre formel garantissant que la participation ou la non-participation d'un client au processus d'apprentissage fédéré n'affecte pas de manière significative la sortie du modèle, protégeant ainsi la vie privée individuelle.
Justice Procédurale Fédérée
Dimension éthique s'assurant que les processus de prise de décision dans les systèmes fédérés sont transparents, impartiaux et permettent une participation équitable de tous les clients concernés.
Biais d'Aggrégation Fédéré
Distorsion introduite lors de la phase d'aggrégation des mises à jour locales dans l'apprentissage fédéré, où certains clients peuvent dominer le modèle global en raison de leur taille ou de leur puissance computationnelle.
Équité Inter-clients
Mesure de la performance équitable du modèle global entre différents clients fédérés, garantissant qu'aucun groupe de clients n'est systématiquement désavantagé par rapport à d'autres.
Robustesse Équitable Fédérée
Capacité d'un système d'apprentissage fédéré à maintenir des performances équitables face à des distributions de données changeantes ou à des comportements malveillants de certains participants.
Transparence Fédérée
Principe exigeant que les mécanismes de décision, les processus d'aggrégation et les sources de biais dans les systèmes fédérés soient explicables et auditables par toutes les parties prenantes.
Auditabilité Éthique Fédérée
Capacité à évaluer systématiquement les dimensions éthiques d'un système d'apprentissage fédéré, incluant l'équité, la privacité et la responsabilité, à travers des mécanismes de vérification formels.
Équité Intra-client
Dimension éthique garantissant qu'au sein d'un même client fédéré, le modèle ne produit pas de discriminations systématiques entre différents sous-groupes de sa population locale.
Paradoxe de la Privacité-Équité
Tension fondamentale dans les systèmes fédérés où le renforcement de la protection de la privacité peut involontairement masquer les biais systémiques et compromettre la capacité à garantir une équité mesurable.
Justice Distributionnelle Fédérée
Principe éthique s'assurant que les bénéfices et les charges du système d'apprentissage fédéré sont répartis équitablement entre tous les participants, évitant l'exploitation de certains clients au profit d'autres.
Convergence Équitable Fédérée
Propriété garantissant que le processus d'apprentissage fédéré converge vers un modèle qui optimise non seulement la performance globale mais aussi l'équité entre les différents clients participants.
Droit à l'Oubli Fédéré
Extension du droit à l'oubli dans les systèmes fédérés, permettant à un client de retirer ses contributions passées et d'assurer leur suppression effective du modèle global sans compromettre la privacité des autres.
Biais de Communication Fédéré
Distorsion émergent des contraintes de communication dans les systèmes distribués, où les clients avec une meilleure connectivité peuvent influencer démesurément le modèle final.