Jalon Fédéré
Un banc d'essai fédéré (Federated Benchmark) désigne un ensemble standardisé de métriques d'évaluation et de procédures de test conçu pour évaluer la performance, la robustesse et l'équité des modèles d'apprentissage automatique lorsqu'ils sont entraînés ou testés sur plusieurs ensembles de données distribués géographiquement ou cloisonnés. Contrairement aux bancs d'essai centralisés traditionnels, qui agrègent toutes les données en un seul endroit, le banc d'essai fédéré fonctionne tout en respectant la localisation et les contraintes de confidentialité des données.
Dans le paysage actuel axé sur les données, les données sensibles (telles que les dossiers de santé ou les données clients propriétaires) ne peuvent pas toujours être centralisées. L'apprentissage fédéré permet aux modèles d'apprendre à partir de ces données distribuées sans que les données brutes ne quittent jamais leur source. Un banc d'essai fédéré est crucial car il fournit un moyen fiable et standardisé de prouver qu'un modèle fonctionne bien dans des conditions réelles et distribuées — des conditions qui imitent les environnements de production où les données sont intrinsèquement cloisonnées.
Le processus implique généralement un orchestrateur central qui gère le protocole de banc d'essai. Les propriétaires de données participants (clients) entraînent une version locale du modèle en utilisant leurs données privées. Au lieu d'envoyer les données, les clients renvoient les mises à jour du modèle (gradients ou poids) à l'orchestrateur. L'orchestrateur agrège ces mises à jour en utilisant des techniques telles que l'Averaging Fédéré (FedAvg) pour créer un modèle global amélioré. Le banc d'essai teste ensuite ce modèle global par rapport à des tâches prédéfinies et standardisées dans divers environnements fédérés simulés ou réels.
Apprentissage fédéré, Confidentialité différentielle, Dérive du modèle, Calcul distribué.
