Etudiant : HOUDOU ANASS

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. BERRADA ISMAIL

Annèe : 2021

Résumé : Plusieurs travaux ont analysé la convergence de l'apprentissage fédéré en tenant compte de l'hétérogénéité des données, des limitations de communication et de calcul et des participations partielles des clients. Dans notre projet, nous nous concentrons sur le défi statistique de l'apprentissage fédéré lorsque les données locales sont non-IID, et nous présentons la solution proposée pour y faire face. Nous présentons également plusieurs études récentes adoptant une sélection active de clients où elles supposent des stratégies de sélection de clients biaisées et quantifient la manière dont le biais de sélection affecte la vitesse de convergence. Et enfin, nous proposons une nouvelle stratégie de sélection des clients en tenant compte de la disparité dans la distribution de leurs données. Nos expériences montrent qu'avec une distribution différente de l'ensemble de données, dans certains cas, notre stratégie et d'autres peuvent atteindre une précision de test de 17 %, 7 % et 5 % supérieure à celle de la sélection aléatoire de base.