Résumé:
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.
