Sélection des clients pour l’apprentissage fédéré dans l'Internet des objets

Abstract

L’apprentissage fédéré est un paradigme de l’intelligence artificielle qui permet à un grand nombre de clients (objets connectés) ayant des ressources limitées de coopérer afin d’entrainer un modèle de deep learning sans partager les données. Plusieurs travaux ont étudié l'apprentissage fédéré en tenant compte de capacite CPU, temps d’apprentissage, taille de la RAM et enfin la fréquence. Cependant, ils supposent une participation impartiale des clients, qui sont sélectionnés au hasard ou en proportion de la taille de leurs données.

Dans notre cas d’étude, la domotique, une sélection des clients est primordiale. En effet, dans le cas de la détection des fuites de gaz, si le modèle global ne détecte pas les fuites rapidement, cela engendrera des pertes de vie humaine.

Dans notre approche, nous avons utilisé l’algorithme du K-Means qui nous donne en sortie deux clusters : le premier comportant les clients ayant les meilleurs moyens et performances. Le deuxième comportant les « pires » clients ou ceux ayant de mauvaises compétences. Pour le choix des centroïdes, nous calculons les valeurs du centroïde optimal en utilisant une méthode d’optimisation combinatoire le dual de simplexe. Mots Clés : Apprentissage fédéré, Internet des objets, Apprentissage automatique.