| dc.description.abstract | Abstract :
In recent years, the dynamic landscape of machine learning has been significantly
reshaped by the rapid emergence of federated learning, marking a transformative
paradigm shift that addresses critical challenges inherent in traditional centralized
machine learning approaches. This groundbreaking methodology empowers multiple
decentralized devices or entities to collaboratively enhance a shared model, all while
avoiding the need to directly exchange raw local data. This unique characteristic
of federated learning not only champions data privacy but also confronts issues surrounding
distributed data utilization and the cumbersome communication overhead
that often plagues centralized models.
The allure of federated learning lies in its capacity to harmonize the efficient utilization
of data spread across a myriad of devices or entities, all while meticulously
upholding the tenets of privacy and data ownership. This revolutionary approach acknowledges
the sensitivities of data ownership and privacy concerns that have grown
increasingly pronounced in our digitally interconnected world. By enabling diverse
entities to partake in collaborative model enhancement without compromising sensitive
data, federated learning navigates the intricate path between the demand for
data-driven insights and the imperative to preserve individual data sovereignty.
In the contemporary landscape, where data is often likened to a precious commodity,
federated learning has swiftly ascended to a position of paramount importance.
It constitutes an unparalleled solution, offering not only privacy preservation on an
unprecedented scale but also an avenue for forging collaborative ties among dispersed
entities. The very essence of federated learning lies in its ability to tailor models to
the idiosyncrasies of individual devices, effectively personalizing algorithms to devicespecific
attributes, thus bolstering the performance and efficacy of these models across
a heterogeneous network of participants.
This dissertation meticulously probes the realm of federated learning within the
specific context of NS3-FL, a pioneering federated learning simulator that takes into
account the intricate interplay of data, algorithms, and network dynamics. By em-
barking on an investigative journey, this study delves into the aggregation methods
currently employed within the NS3-FL framework, shedding light on their inherent
limitations and underscoring the need for innovation. Through rigorous research and
development, this dissertation pioneers novel aggregation techniques that seamlessly
integrate into the NS3-FL ecosystem, breathing new life into the very core of federated
learning.
However, the advancement of federated learning is not solely reliant on improved
aggregation methods; it must also grapple with the escalating concern of security
vulnerabilities and potential 5adversarial attacks. Recognizing this imperative, this
dissertation introduces a pioneering security framework designed to fortify federated
learning models against a gamut of potential attacks. By innovatively blending robust
security mechanisms with the intricate fabric of federated learning, this study bolsters
the foundation upon which the entire field is built, ensuring its viability and relevance
in a world fraught with ever-evolving cybersecurity challenges.
In essence, this dissertation stands as a pivotal milestone in the journey toward
realizing the true potential of federated learning. Through meticulous exploration,
innovative aggregation methodologies, and a pioneering approach to security, this
study emerges as a beacon guiding the field toward a future where collaborative,
privacy-conscious, and secure machine learning is not just a possibility, but an actively
flourishing reality.***
Résumé :
Ces dernières années, le paysage dynamique de l’apprentissage automatique a été
considérablement remodelé par l’émergence rapide de l’apprentissage fédéré, marquant
un changement de paradigme transformateur qui aborde les défis critiques
inhérents aux approches traditionnelles de l’apprentissage automatique centralisé.
Cette méthodologie révolutionnaire permet à de multiples dispositifs ou entités décentralisés
de collaborer pour améliorer un modèle partagé, tout en évitant le besoin
d’échanger directement des données locales brutes. Cette caractéristique unique de
l’apprentissage fédéré défend non seulement la protection des données, mais confronte
également les problèmes liés à l’utilisation des données distribuées et à la surcharge
de communication fastidieuse qui affecte souvent les modèles centralisés.
L’attrait de l’apprentissage fédéré réside dans sa capacité à harmoniser l’utilisation
efficace des données réparties sur une multitude de dispositifs ou entités, tout en respectant
méticuleusement les principes de la vie privée et de la propriété des données.
Cette approche révolutionnaire reconnaît les sensibilités de la propriété des données et
les préoccupations en matière de confidentialité qui se sont de plus en plus prononcées
dans notre monde numériquement interconnecté. En permettant à des entités diverses
de participer à l’amélioration collaborative d’un modèle sans compromettre les données
sensibles, l’apprentissage fédéré parcourt le chemin complexe entre la demande
d’informations basées sur les données et l’impératif de préserver la souveraineté des
données individuelles.
Dans le paysage contemporain, où les données sont souvent assimilées à une précieuse
matière première, l’apprentissage fédéré a rapidement atteint une position
d’importance primordiale. Il constitue une solution inégalée, offrant non seulement
la préservation de la vie privée à une échelle sans précédent, mais également une voie
pour forger des liens collaboratifs entre des entités dispersées. L’essence même de
l’apprentissage fédéré réside dans sa capacité à adapter les modèles aux spécificités
des dispositifs individuels, en personnalisant efficacement les algorithmes en fonction
des attributs spécifiques des dispositifs, renforçant ainsi la performance et l’efficacité
de ces modèles au sein d’un réseau hétérogène de participants.
Cette thèse explore méticuleusement le domaine de l’apprentissage fédéré dans
le contexte spécifique de NS3-FL, un simulateur pionnier d’apprentissage fédéré qui
prend en compte l’interaction complexe entre les données, les algorithmes et la dynamique
du réseau. En entreprenant un voyage d’investigation, cette étude se penche
sur les méthodes d’agrégation actuellement utilisées dans le cadre de NS3-FL, mettant
en lumière leurs limites inhérentes et soulignant la nécessité d’innovation. Grâce
à une recherche et un développement rigoureux, cette thèse propose des techniques
d’agrégation novatrices qui s’intègrent parfaitement à l’écosystème NS3-FL, insufflant
ainsi une nouvelle vie au coeur même de l’apprentissage fédéré.
Cependant, l’avancement de l’apprentissage fédéré ne repose pas uniquement sur
des méthodes d’agrégation améliorées ; il doit également faire face à la préoccupation
croissante des vulnérabilités en matière de sécurité et des attaques adverses potentielles.
Consciente de cette nécessité, cette thèse introduit un cadre de sécurité pionnier
conçu pour renforcer les modèles d’apprentissage fédéré contre toute une gamme
d’attaques potentielles. En mélangeant de manière innovante des mécanismes de sécurité
robustes avec la structure complexe de l’apprentissage fédéré, cette étude renforce
les bases sur lesquelles repose l’ensemble du domaine, assurant sa viabilité et sa pertinence
dans un monde riche en défis en constante évolution en matière de cybersécurité.
En essence, cette thèse constitue une étape cruciale dans le voyage vers la réalisation
du véritable potentiel de l’apprentissage fédéré. Grâce à une exploration méticuleuse,
à des méthodologies d’agrégation innovantes et à une approche pionnière en matière
de sécurité, cette étude se présente comme un phare guidant le domaine vers un avenir
où l’apprentissage automatique collaboratif, respectueux de la vie privée et sécurisé,
n’est pas seulement une possibilité, mais une réalité en plein essor. | en_US |
