Sur la protection de la vie privée et de la sécurité dans le cadre de l'apprentissage fédéré

Motivés par la capacité de calcul croissante des équipements sans fil destinés aux utilisateurs (UE), ainsi que par les préoccupations croissantes concernant le partage des données privées, un nouveau paradigme d'apprentissage automatique (AA) a émergé, à savoir l'apprentissage fédéré (AF). Plus précisément, l'AF permet de découpler la fourniture de données aux UE et l'agrégation des modèles d'AA dans une unité centrale. En entraînant le modèle localement, l'AF est capable d'éviter les fuites de données directes provenant des UE, préservant ainsi la vie privée et la sécurité dans une certaine mesure. Cependant, même si les données brutes ne sont pas divulguées par les UE, des informations privées d'un individu peuvent encore être extraites par certaines attaques récemment découvertes contre l'architecture de l'AF. Dans ce travail, nous analysons les problèmes de vie privée et de sécurité dans l'AF et discutons de plusieurs défis pour préserver la vie privée et la sécurité lors de la conception de systèmes d'AF. De plus, nous fournissons des résultats de simulation approfondis pour mettre en évidence les problèmes discutés et les solutions possibles.