Date : 2022-12-13
Lieu : Université Paris-Saclay
Amphithéâtre du bâtiment Digiteo (LISN)
Campus Universitaire, Rue Raimond Castaing bâtiment 650
91190 Gif-sur-Yvette

L’équipe ADAM du Laboratoire DAVID et l’Institut DATAIA co-organisent un workshop sur la thématique du Federated Learning, qui aura lieu à l’Amphithéâtre du bâtiment Digiteo (LISN) le mardi 10 janvier 2023 (Maps).

Inscription obligatoire & gratuite (dans la limite des places disponibles)
lien ici: https://www.dataia.eu/evenements/workshop-fl-day-decentralized-federated-learning-approaches-and-challenges

La journée abordera à travers plusieurs présentations, les problématiques liées à la thématique « Decentralized Federated Learning », de l’apprentissage automatique, au traitement de données décentralisées (Edge Computing) ou encore de la protection des données « privacy » dans un contexte décentralisé avec des illustrations dans différents domaines. Les présentations seront suivies d’une table ronde.

Les participants qui le souhaitent sont invités à proposer des Posters pour exposer leurs travaux pendant les pauses, en l’envoyant aux organisateurs ci-dessous :
Karine ZEITOUNI – karine.zeitouni@uvsq.fr
Zaineb CHELLY – zaineb.chelly-dagdia@uvsq.fr
Mustapha LEBBAH – mustapha.lebbah@uvsq.fr

Un buffet déjeunatoire ainsi que des pauses gourmandes seront prévus lors de cette journée.
==
Conférenciers invités :
==
AURÉLIEN BELLET – DR INRIA LILLE, ÉQUIPE CRISTAL

Titre : Better Privacy Guarantees for Decentralized Federated Learning
Résumé : Les algorithmes entièrement décentralisés, dans lesquels les participants échangent des messages de pair à pair le long des bords d’un graphe de réseau, sont de plus en plus populaires dans l’apprentissage fédéré en raison de leur évolutivité et de leur efficacité. Intuitivement, les algorithmes décentralisés devraient également offrir de meilleures garanties de confidentialité, puisque les nœuds n’observent que les messages envoyés par leurs voisins dans le graphe. Mais formaliser et quantifier ce gain est un défi : les résultats existants se limitent à des garanties de confidentialité différentielle locale (LDP) qui négligent les avantages de la décentralisation. Dans cet exposé, je présenterai des relaxations appropriées de la confidentialité différentielle et montrerai comment elles peuvent être utilisées pour montrer des garanties de confidentialité plus fortes pour le SGD décentralisé, correspondant au compromis confidentialité-utilité du SGD centralisé dans certains contextes. Il est intéressant de noter que certains de ces algorithmes amplifient les garanties de confidentialité en fonction de la distance entre les nœuds du graphe, ce qui correspond bien aux attentes des utilisateurs en matière de confidentialité dans certains cas d’utilisation.
—
SONIA BENMOKHTAR – DR CNRS, LIRIS, LYON

Titre : Decentralized Learning (as an enabler) for Decentralized Online Services

Résumé : Il y a un fort élan vers les services basés sur les données à tous les niveaux de la société et de l’industrie. Cela a commencé par des applications Web à grande échelle telles que les moteurs de recherche Web (par exemple, Google, Bing), les réseaux sociaux (par exemple, Facebook, Twitter) et les systèmes de recommandation (par exemple, Amazon, Netflix) et devient de plus en plus omniprésent grâce à l’adoption de dispositifs portables et à l’avènement de l’Internet des objets. Tous ces services sont rendus possibles par la disponibilité de grandes infrastructures de calcul, de forts progrès en matière d’intelligence artificielle (IA) et en particulier d’apprentissage automatique, et la possibilité de collecter et d’agréger de grandes quantités de données sur les utilisateurs, leurs environnements et leurs organisations dans des infrastructures de cloud. Mais si les progrès de l’IA/ML et des infrastructures distribuées ont été considérables, les applications axées sur les données rendues possibles par ces avancées posent des problèmes importants en ce qui concerne le respect de la vie privée de leurs utilisateurs et peuvent engendrer des menaces telles que la censure, la perte de contrôle des données personnelles et les fuites de données. Plus récemment, des initiatives telles que le Web 3.0 promettent de décentraliser les services en ligne, au cœur desquels l’IA/ML joue un rôle crucial pour donner aux utilisateurs la possibilité de reprendre le contrôle de leurs données personnelles et empêcher une poignée d’acteurs économiques de trop concentrer le pouvoir de décision.
—
HAKIM HACID – PRINCIPAL RESEARCHER, TII, ABU DHABI, UAE (GROUPE AIDRC)

Titre : Towards Edge AI: Principles, current state, and perspectives

Résumé : La communauté de l’intelligence artificielle (IA) a beaucoup investi pour développer des techniques capables de digérer de très grandes quantités de données pour en extraire des informations et des connaissances à valeur ajoutée. La plupart des techniques, en particulier les modèles d’apprentissage profond, nécessitent une grande puissance de calcul et de stockage, ce qui les rend appropriées aux environnements basés sur le cloud. L’intelligence est donc éloignée de l’utilisateur final, ce qui soulève des inquiétudes concernant, par exemple, la confidentialité des données et la latence. L’IA de périphérie vient apporter des solutions à certains problèmes inhérents au nuage et se concentre sur les meilleures pratiques, architectures et processus pour étendre l’IA des données en dehors du nuage. L’IA de périphérie rapproche l’IA de l’utilisateur final et utilise, par exemple, moins de ressources de communication, car le traitement est effectué directement sur le périphérique de périphérie. Cet exposé présentera l’IA de périphérie et donnera un aperçu des travaux existants et des futures pistes de contribution potentielles.

Au plaisir de vous y retrouver nombreux !

Bien cordialement,
Le comité d’organisation

Lien direct