L'apprentissage fédéré est un paradigme d'une pertinence croissante dans les applications du monde réel, visant à construire un modèle global à travers un réseau d'utilisateurs hétérogènes sans nécessiter le partage de données privées. Nous nous concentrons sur l'apprentissage de modèle sur des architectures décentralisées, où les utilisateurs collaborent directement pour mettre à jour le modèle global sans s'appuyer sur un serveur central. Dans ce contexte, le présent article propose une approche novatrice pour apprendre collaborativement des classificateurs génératifs probabilistes sous une forme paramétrique. Le cadre est composé d'un réseau de communication sur un ensemble de nœuds locaux, chacun ayant ses propres données locales, et d'une règle de mise à jour locale. La proposition implique le partage de statistiques locales avec les nœuds voisins, où chaque nœud agrège les informations des voisins et apprend de manière itérative son propre classificateur local, qui converge progressivement vers un modèle global. Des expériences approfondies démontrent que l'algorithme converge systématiquement vers un modèle globalement compétitif à travers une large gamme de topologies de réseau, de tailles de réseau, de tailles de jeux de données locaux, et de distributions de données extrêmes non i.i.d.
Pérez et al. (Mer,) ont étudié cette question.