AI-woordenlijst
Het complete woordenboek van kunstmatige intelligentie
Local Data Partition
Division des données d'entraînement entre différents clients sans chevauchement ni centralisation. Cette partition décentralisée constitue le fondement du Federated Learning et pose des défis uniques liés à la non-IID et à l'hétérogénéité des données.
Cross-Silo FL
Variante du Federated Learning impliquant un petit nombre de clients institutionnels fiables comme des hôpitaux ou des banques. Cette approche facilite la collaboration entre organisations tout en respectant les contraintes réglementaires et la confidentialité des données.
Cross-Device FL
Type de Federated Learning déployé sur des millions d'appareils personnels comme des smartphones avec une connectivité intermittente. Cette configuration présente des défis spécifiques liés à l'échelle, à la latence et à la disponibilité des clients.
Heterogeneous Federated Learning
Cadre d'apprentissage prenant en compte les variations significatives entre clients en termes de distribution de données, puissance de calcul et connectivité réseau. L'hétérogénéité constitue l'un des défis majeurs du déploiement réel du Federated Learning.
Model Update
Ensemble des modifications des paramètres du modèle calculées localement par un client après un ou plusieurs epochs d'entraînement. Ces mises à jour sont ensuite transmises au serveur d'agrégation pour contribuer à l'amélioration du modèle global.
Privacy Preservation
Objectif fondamental du Federated Learning visant à empêcher l'exposition des données d'entraînement brutes des clients. La préservation de la vie privée combine des techniques cryptographiques, statistiques et architecturales pour sécuriser les informations sensibles.
Byzantine-Robust FL
Variante du Federated Learning résistante aux clients malveillants ou défaillants qui envoient des mises à jour incorrectes. La robustesse byzantine garantit la convergence correcte du modèle malgré la présence d'adversaires dans le système.