Apprentissage fédéré cherche modèles de qualité, bonne réputation exigée

L'apprentissage fédéré cross-silo (CS-FL) est un paradigme d'apprentissage collaboratif réparti qui permet à un groupe d'organisations d'entraîner un modèle commun. Cependant, ces systèmes sont vulnérables aux contributions de mauvaise qualité, rendant cruciales les protections contre les participants négligents ou malveillants. De plus, l'hétérogénéité des cas d'usage CS-FL complique la distinction entre contributions malveillantes et légitimes. Pour répondre à ces défis, nous introduisons RADAR, une architecture de CS-FL capable d'évaluer la qualité des contributions, sans faire d'hypothèse sur la similarité des données. Grâce à une évaluation croisée, RADAR regroupe les participants perçus comme similaires et attribue un score de réputation pour pondérer leurs contributions lors de l'agrégation. Nous avons évalué notre approche dans des scénarios concrets de système collaboratif de détection d'intrusions (CIDS), en perturbant l'étiquetage des données pour simuler des variations de qualité. Les résultats montrent qu'en combinant partitionnement des participants et système de réputation, RADAR peut contrer un large éventail de comportements Byzantins, démontrant ainsi sa polyvalence. Mots-clefs : Apprentissage fédéré, systèmes de réputation, empoisonnement de modèles, partitionnement, confiance. ‡ Co-auteurs principaux ; ils ont contribué de manière équivalente à ce travail. Les auteurs remercient Hélène Le Bouder pour son encadrement. Ce travail est soutenu par (1) la chaire CyberCNI.fr avec le soutien de l'Union européenne à travers le Fonds européen de développement régional (FEDER) de la Région Bretagne (EU001043), (2) le projet Beyond5G financé par la BPI dans le cadre du plan d'investissement France Relance et (3) le Luxembourg National Research Fund (FNR) (référence C23/IS/18088425/COCTEL).