Publié le 6 octobre 2026 à 13:00 · Publication originale
Dix hôpitaux veulent entraîner un même modèle.
La solution classique consiste à centraliser les données.
L'apprentissage fédéré déplace autre chose.
Le modèle voyage vers les données.
Chaque établissement entraîne localement une copie du modèle puis renvoie une mise à jour de ses paramètres. Le serveur agrège ces contributions et redistribue une nouvelle version.
Les dossiers peuvent ainsi rester dans les infrastructures hospitalières.
Mais "les données ne sortent pas" ne signifie pas "rien ne fuit".
Une mise à jour locale peut encore révéler des informations sur les données qui l'ont produite. Et si le serveur voit séparément la contribution de chaque hôpital, il conserve un signal potentiellement sensible.
Flower ajoute pour cela SecAgg et SecAgg+.
Chaque participant masque sa mise à jour avant de l'envoyer. Le serveur peut calculer l'agrégat nécessaire à l'entraînement sans accéder aux mises à jour individuelles en clair.
Ce mécanisme change la collaboration possible entre institutions.
Un centre pédiatrique, un service d'oncologie et un hôpital général peuvent contribuer à un modèle commun sans constituer une base clinique unique.
Mais la cryptographie ne résout pas leur différence.
Leurs populations, appareils, pratiques et distributions de diagnostics restent hétérogènes. Un modèle fédéré peut donc apprendre ensemble des mondes locaux très différents.
ULTRA®
SecAgg+ doit résoudre un problème moins intuitif: certains participants disparaissent pendant un tour d'entraînement.
Flower fractionne alors des secrets cryptographiques et utilise un seuil de reconstruction.
Si assez de fragments restent disponibles, l'agrégation peut continuer malgré certains abandons.
Ce seuil matérialise un arbitrage.
Un seuil de reconstruction plus élevé renforce les garanties de confidentialité, mais tolère moins de déconnexions. Davantage de fragments peut améliorer la robustesse aux abandons au prix de davantage de calcul et de communication.
Et l'agrégation sécurisée ne remplace pas la confidentialité différentielle.
SecAgg protège les contributions individuelles contre l'observation par le serveur pendant l'agrégation.
La confidentialité différentielle limite ce que la sortie agrégée ou le modèle final peut révéler sur une personne.
Pour un hôpital, ce sont deux surfaces de risque distinctes.
ARGOS
Le test sérieux d'un système fédéré doit donc combiner confidentialité, abandons de clients et hétérogénéité des données.
La donnée brute peut rester immobile tandis que son influence traverse tout le modèle.
Sources
Flower Framework, Secure Aggregation Protocols
Flower, SecAggPlusWorkflow
Li et al., Secure Aggregation for Federated Learning in Flower
#VOCEASSOCIATION #AIGovernance #FederatedLearning #Santé #Privacy