Qualifiées de "carburant de l'ère numérique", les données personnelles et privées sont le carburant de toutes les envies. Collectées, analysées et exploitées, les données des utilisateurs offrent des opportunités d'innovation sans précédent, mais soulèvent de réelles inquiétudes quant à la confidentialité des données. L'émergence d'applications activées par l'IA accentue les problèmes de confidentialité des données.

L'apprentissage fédéré est une approche prometteuse d'apprentissage automatique et un nouveau sujet de recherche sur l'apprentissage automatique préservant la confidentialité. L'apprentissage fédéré offre un cadre attrayant pour la formation de modèles d'apprentissage distribué à grande échelle sur des données sensibles. Cependant, l'apprentissage fédéré fait encore face à de nombreux défis pour préserver pleinement la confidentialité des données.

Ce projet aborde les enjeux de cybersécurité des systèmes d'apprentissage fédérés en termes de confidentialité des données. Pour atteindre cet objectif, nous étendrons différentes approches d'apprentissage fédéré afin de considérer leurs limites en termes d'exactitude, de confidentialité, de robustesse, d'explicabilité et d'équité.

trusty-ia.citi-lab.fr