Thèse de Doctorat - Protection et équité dans l'apprentissage fédéré pour la santé numérique (H/F)

Sujet de thèse :
Résumé :
L'apprentissage fédéré (FL) est un paradigme prometteur qui gagne du terrain dans le contexte de l'apprentissage automatique préservant la confidentialité pour les systèmes informatiques de pointe. Grâce à FL, plusieurs propriétaires de données appelés clients (par exemple, des organisations dans FL inter-silo) peuvent former de manière collaborative un modèle sur leurs données privées, sans avoir à envoyer leurs données brutes à des fournisseurs de services externes. FL a été rapidement adopté dans plusieurs applications florissantes telles que la santé numérique [1], qui génère le plus grand volume de données au monde [2]. Dans les systèmes de santé, les problèmes de confidentialité et de biais sont particulièrement importants.

Bien que FL soit un premier pas vers la confidentialité en gardant les données locales pour chaque client, cela n'est pas suffisant car les paramètres du modèle partagés par FL sont vulnérables aux attaques de confidentialité [3], comme le montre une ligne de littérature récente [4]. Il est donc nécessaire de concevoir de nouveaux protocoles FL robustes à de telles attaques de confidentialité. De plus, les clients FL peuvent avoir des données très hétérogènes et déséquilibrées, ce qui peut entraîner un modèle FL injuste, avec des disparités entre les groupes socio-économiques et démographiques [6][4]. Des études récentes montrent que l'utilisation de l'IA peut encore exacerber les disparités entre les groupes et que la FL peut être un vecteur de propagation de biais parmi les différents clients de la FL. Dans ce contexte, des travaux récents parus dans NDSS [7] et AAAI [8] montrent que l'équité et la confidentialité sont en concurrence ; les traiter indépendamment - comme c'est le cas habituellement - peut avoir des effets secondaires négatifs l'un sur l'autre.

Par conséquent, il est nécessaire d'adopter une nouvelle approche multi-objectifs pour l'équité de la FL et la protection contre les menaces à la vie privée. Cela est particulièrement difficile dans la FL où aucune connaissance globale des informations statistiques sur les données hétérogènes globales n'est disponible, une connaissance qui est nécessaire dans les techniques classiques de pointe. Ce projet s'attaque à ce défi et vise à traiter précisément les problèmes soulevés à l'intersection de la confidentialité et de l'équité du modèle FL, à travers : (i) de nouveaux protocoles FL distribués ; (ii) une approche multi-objectifs pour prendre en compte les aspects de confidentialité, d'équité et d'utilité, ces objectifs étant antagonistes ; (ii) l'application de ces techniques aux cas d'utilisation de la santé numérique basés sur la FL.

Mots-clés:
Distributed systems; Edge computing; Federated Learning; Privacy; Bias; Fairness; Healthcare data

Références:
[1] N. Rieke, et. al. The Future of Digital Health with Federated Learning. NPJ Digital Medicine 3, 1, 2020.
[2] RBC. The Healthca
Voir plus sur le site emploi.cnrs.fr...