Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LAMSADE – Dauphine PSL
Durée : 4 à 6 mois
Contact : sana.mrabet@dauphine.psl.eu
Date limite de publication : 2025-04-04

Contexte :
L’apprentissage fédéré (Federated Learning, FL) est une approche de l’apprentissage machine décentralisé où les modèles sont entraînés localement sur plusieurs appareils sans partager les données brutes, préservant ainsi la confidentialité et réduisant les coûts de communication. Ce paradigme est de plus en plus utilisé dans des domaines sensibles comme la santé, la finance ou encore les appareils connectés. Cependant, il pose des défis uniques, notamment :
• L’hétérogénéité des données entre les participants,
• L’optimisation efficace des modèles sur des ensembles de données distribués et déséquilibrés,
• La communication coûteuse entre les participants et le serveur central.

Sujet :
Ce sujet vise à développer des approches innovantes pour améliorer la performance des modèles d’apprentissage fédéré. Il s’agira d’explorer des méthodes hybrides mêlant l’intégration de méta-heuristiques (ex. : colonies de fourmis, algorithmes génétiques) pour :
• Identifier dynamiquement les sous-ensembles d’appareils participant à chaque cycle, maximisant ainsi la performance globale du modèle tout en respectant les contraintes du système.
• Optimiser la sélection dynamique des modèles locaux contribuant efficacement à la performance globale.
• Optimiser les stratégies d’agrégation des poids pour gérer le déséquilibre des données et améliorer la convergence.

Profil du candidat :
L’offre s’adresse à un étudiant en M2 ou équivalent en Informatique, avec bonnes connaissances en Machine Learning et en programmation Python.

Formation et compétences requises :

Adresse d’emploi :
LAMADE – Université Paris Dauphine – PSL
Place du Maréchal de Lattre de Tassigny – 75775 PARIS Cedex 16

Document attaché : 202501131418_Projet master recherche – FL – 2025.pdf