Méthode d'apprentissage automatique où les modèles sont entraînés de manière décentralisée sur plusieurs appareils ou serveurs, sans centraliser les données. Elle renforce la confidentialité et réduit les risques liés à la collecte massive.
L'apprentissage fédéré (federated learning) est une approche collaborative de machine learning. Plutôt que de rassembler toutes les données sur un serveur central, chaque appareil (smartphone, serveur local, hôpital) entraîne un modèle localement sur ses propres données. Seuls les paramètres du modèle (poids) sont ensuite partagés et agrégés par un serveur central pour améliorer le modèle global. Cette méthode présente plusieurs avantages : elle protège la vie privée en laissant les données sur site, réduit les risques de fuite d'informations sensibles et diminue la consommation de bande passante. Popularisé par Google (Gboard pour la prédiction de saisie mobile), l'apprentissage fédéré est de plus en plus étudié dans des domaines sensibles comme la santé ou la finance. Il reste toutefois limité par l'hétérogénéité des données locales, la puissance variable des appareils et des risques résiduels de fuite via les gradients partagés. Des techniques complémentaires (confidentialité différentielle, chiffrement) sont souvent utilisées.
Découvrez tous nos termes et concepts dans le lexique complet