Protection de la confidentialité des données et apprentissage causal : une avancée dans l’apprentissage des structures causales locales basées sur l’apprentissage fédéré Avec le développement rapide des mégadonnées et de l’intelligence artificielle, la manière d’analyser et de déduire efficacement des relations causales dans des domaines sensibles ...

Contexte académique et problématique Avec les préoccupations croissantes concernant la confidentialité des données, l’apprentissage fédéré (Federated Learning, FL) est devenu un sujet de recherche important. Le FL permet à plusieurs clients de collaborer pour entraîner un modèle global sans partager leurs données, protégeant ainsi la confidentialit...

Modèle Hétérogène de Fédération Apprentissage Semi-Supervisé pour la Segmentation d’Images Médicales Introduction La segmentation des images médicales joue un rôle crucial dans le diagnostic clinique en aidant les médecins à identifier et analyser les pathologies. Cependant, cette tâche est souvent confrontée à des défis tels que les données sensib...