ITU-T Recommendations

L'apprentissage automatique fédéré (FML) est un paradigme d'apprentissage automatique distribué en plein essor qui permet de construire, d'entraîner et d'utiliser des modèles collaboratifs à partir d'un grand nombre d'ensembles de données distribués, dès lors que l'on garantit la sécurité des données et la conformité légale. Dans l'apprentissage automatique fédéré, le calcul a lieu là où se trouvent les données, et bien que les données soient disponibles, ni les données ni les calculs effectués ne sont visibles. Les services fondés sur l'apprentissage automatique fédéré, ou services FML, posent certains défis en matière de confiance, car ils fonctionnent dans des environnements distribués ou décentralisés. Les difficultés proviennent souvent d'un manque de confiance dans les multiples participants aux services FML, généralement lors des opérations d'entraînement et d'utilisation des modèles telles que l'indexation des données, le calcul des données, l'échange de paramètres, etc.Des composantes fonctionnelles spécifiques sont nécessaires pour améliorer la fiabilité des services FML, notamment l'indexation des ensembles de données, le calcul des données, l'échange de paramètres et l'utilisation des modèles. La technologie des registres distribués (DLT) est un type de système de données partagées digne de confiance qui peut être utilisé pour stocker également les données des services FML. Le service FML peut tirer parti de la convergence entre l'apprentissage automatique fédéré et ces composants, en particulier pour aider à résoudre les problèmes de confiance posés par les services FML.La Recommandation UIT-T F.748.35 décrit le concept, les caractéristiques et exigences générales, ainsi qu'un cadre de référence d'un service FML de confiance.