Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/711
Full metadata record
DC FieldValueLanguage
dc.contributor.authorMEKKI, AMira-
dc.date.accessioned2024-10-03T09:52:16Z-
dc.date.available2024-10-03T09:52:16Z-
dc.date.issued2024-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/711-
dc.descriptionSupervisor : Mr. OUCHANI Samir Co-Supervisor :Mr. BENSLIMANE Sidi Mohammeden_US
dc.description.abstractIn recent years, Federated Learning (FL) has emerged as a powerful approach to addressing critical challenges in various domains, such as industry, healthcare, and communications. Due to its decentralized nature, FL offers solutions to concerns like data privacy and communication efficiency, which are paramount in these fields. However, traditional FL methods often face challenges such as non-IID data distributions and the varied computational capabilities of participating devices, which can hinder model performance and convergence. To address these limitations, this master’s thesis delves into the integration of Reinforcement Learning (RL) into FL, aiming to optimize client selection processes. By prioritizing clients with high-quality data and strong computational resources, RL-based client selection strategies can significantly enhance the overall performance and efficiency of FL systems. This thesis provides a comprehensive background on the relevant ML and FL techniques, followed by an in-depth analysis of state-of-the-art advancements in model aggregation and client selection. The research contributions are discussed, and future directions in FL research are outlined. *** Ces dernières années, l’apprentissage fédéré s’est imposé comme une approche puissante pour relever des défis cruciaux dans divers domaines, tels que l’industrie, la santé, et les communications. Grâce à sa nature décentralisée, le FL offre des solutions à des préoccupations telles que la confidentialité des données et l’efficacité des communications, qui sont primordiales dans ces domaines. Cependant, les méthodes traditionnelles de FL sont souvent confrontées à des défis, notamment les distributions de données non-IID et les capacités informatiques variées des dispositifs participants, ce qui peut nuire à la performance du modèle et à la convergence. Pour surmonter ces limitations, ce mémoire de master explore l’intégration de l’apprentissage par renforcement dans le FL, dans le but d’optimiser les processus de sélection des clients. En priorisant les clients disposant de données de haute qualité et de ressources informatiques solides, les stratégies de sélection des clients basées sur le RL peuvent améliorer de manière significative la performance globale et l’efficacité des systèmes de FL. Ce mémoire fournit un cadre complet sur les techniques d’apprentissage automatique et de FL, suivi d’une analyse approfondie des avancées les plus récentes en matière d’agrégation de modèles et de sélection des clients. Les contributions de cette recherche sont discutées, et les futures orientations de la recherche en FL sont également présentées.en_US
dc.language.isoenen_US
dc.subjectFederated Learningen_US
dc.subjectMachine Learningen_US
dc.subjectReinforcement Learningen_US
dc.subjectModel Aggregation,en_US
dc.subjectClient Selectionen_US
dc.titleOptimizing Federated Learning Advancements in Model Aggregation and Client Selectionen_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
MsC_AMIRA-1-1.pdf75,64 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.