Mise en place de l’apprentissage fédéré pour Internet des Objet (IoT)

  • Superviseur :

    Essaid Sabir

  • Domaine(s) :
    • Apprentissage machine
    • Internet des Objets
    • Science des données

But:

Utiliser des techniques d’apprentissage fédéré pour résoudre un problème distribué d’une manière collaborative.

Intérêt :

L’étudiant aura l’opportunité d’approfondir ses connaissances en IA et apprentissage machine.

Description :

Nous souhaitons utiliser l’apprentissage machine fédéré pour réaliser des tâches de prédictions ou de détection d’anomalies dans un système IoT. L’idée consiste à entraîner un modèle global par des agents distribués sans le partage de leurs données privées. L’étudiant commencera par un état de l’art consistant en la lecture et l’analyse de quelques références majeures en apprentissage fédéré [1, 2, 3]. Ensuite, il devra mettre en pratique ses connaissances nouvellement acquises pour résoudre un problème spécifique en se basant sur des données originales telles [4] et [5].

À la fin de ce projet, l’étudiant fournira un rapport écrit et une présentation pré-enregistrée. L’étudiant sera aussi encouragé à publier librement son rapport et sa présentation en ligne.

Les compétences requises pour réaliser ce projet :

Compétences générales

  • Modélisation mathématique; Apprentissage machine; Réseaux informatiques.
  • Une maitrise de l’anglais est essentielle pour mener à bien ce projet.

Compétences spécifiques

  • Une connaissance des bases de la science des données et de ses outils est requise.
  • Le projet pourrait se faire avec Python ou tout autre langage orientée données.

Compétences professionnelles

Communication écrite et orale en français.

Références bibliographiques  :

  • U. Khan, W. Saad, Z. Han, E. Hossain and C. S. Hong, « Federated Learning for Internet of Things: Recent Advances, Taxonomy, and Open Challenges, » in IEEE Communications Surveys & Tutorials, vol. 23, no. 3, pp. 1759-1799, thirdquarter 2021.
  • Y. B. Lim et al., « Federated Learning in Mobile Edge Networks: A Comprehensive Survey, » in IEEE Communications Surveys & Tutorials, vol. 22, no. 3, pp. 2031-2063, third quarter 2020.
  • C. Nguyen, M. Ding, P. N. Pathirana, A. Seneviratne, J. Li and H. Vincent Poor, « Federated Learning for Internet of Things: A Comprehensive Survey, » in IEEE Communications Surveys & Tutorials, vol. 23, no. 3, pp. 1622-1658, third quarter 2021.
  • Deng, ‘‘The MNIST database of handwritten digit images for machine learning research,’’ IEEE Signal Process. Mag., vol. 29, no. 6, pp. 141–142, Nov. 2012.
  • T. Weyand, A. Araujo, B. Cao, J. Sim, « Google Landmarks Dataset v2 – A Large-Scale Benchmark for Instance-Level Recognition and Retrieval. » CoRR abs/2004.01804. 2020.