Apprentissage fédéré : impact de la généralisation et de la personnalisation sur la performance et la sécurité : applications médicales

Abstract

Avec l'émergence de l'intelligence artificielle et de l'internet des objets, des recherches approfondies ont été menées sur d'innombrables solutions de pointe, notamment les assistants vocaux, les véhicules autonomes, les jumeaux numériques d'apprentissage automatique et profond, où les données sont collectées et stockées sur un serveur dans le cloud pour le prétraitement, l'extraction de caractéristiques et l'entraînement du modèle. Le principal défi de cette approche centralisée est d'assurer la confidentialité des données, en particulier celles liées à la santé. En effet, les données des patients sont extrêmement sensibles, et toute fuite ou falsification pourrait entraîner de graves conséquences. L'apprentissage fédéré s'est révélé être une alternative intéressante à l'approche centralisée. Le travail présenté dans cette thèse couvre trois aspects correspondant à trois chapitres, qui représentent trois publications : 1) Une application médicale : La détection des chutes, 2) La détection des chutes dans le cadre de l'apprentissage fédéré, et 3) La sécurité de l'apprentissage fédéré. --Résumé.