BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen - ECPv5.7.0//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen
X-ORIGINAL-URL:https://www.greyc.fr
X-WR-CALDESC:évènements pour GREYC UMR CNRS 6072 - Groupe de Recherche en Informatique, Image, et Instrumentation de Caen
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250507T100000
DTEND;TZID=Europe/Paris:20250507T110000
DTSTAMP:20260419T112730
CREATED:20250429T092731Z
LAST-MODIFIED:20250429T092731Z
UID:11846-1746612000-1746615600@www.greyc.fr
SUMMARY:Amine Bouchiha - Vers un Apprentissage Fédéré Décentralisé\, Fiable et Évolutif
DESCRIPTION:L’apprentissage fédéré (FL) est un paradigme décentralisé permettant d’entraîner des modèles de machine learning sans partager les données brutes. Toutefois\, il demeure vulnérable à diverses attaques\, notamment les empoisonnements de données (data poisoning) et de modèles (model poisoning). Pour relever les défis de confiance\, de confidentialité et de passage à l’échelle dans le FL décentralisé\, nous proposons deux cadres complémentaires basés sur la blockchain : VerifBFL et AutoDFL. \nVerifBFL introduit un système d’apprentissage fédéré vérifiable et respectueux de la vie privée\, construit sur une blockchain permissionnée avec un consensus PBFT. Il exploite les zk-SNARKs récursifs (Nova)\, la confidentialité différentielle et le stockage hors chaîne via IPFS afin d’assurer une vérifiabilité de bout en bout sans recourir à des entités de confiance. Le système prend en charge deux types de preuves à divulgation nulle de connaissance (ZKP) : une preuve d’accuracy pour vérifier la justesse des modèles locaux\, et une preuve d’agrégation pour certifier la validité de l’agrégation de type FedAvg. Les résultats expérimentaux démontrent la faisabilité de cette approche\, avec des temps de génération et de vérification de preuves compatibles avec un déploiement sur blockchain. \nEn parallèle\, AutoDFL vise à améliorer la scalabilité et l’efficacité du FL basé sur la blockchain. Il intègre les zk-Rollups\, une solution de mise à l’échelle de type Layer-2\, permettant de réduire considérablement la charge sur la chaîne tout en garantissant la sécurité. AutoDFL introduit également un système de réputation automatisé et équitable\, incitant les participants à contribuer de manière honnête et efficace. Les évaluations expérimentales montrent qu’AutoDFL peut traiter plus de 3 000 tx/s tout en réduisant les coûts en gas par un facteur 20. Ensemble\, VerifBFL et AutoDFL ouvrent la voie à un apprentissage fédéré sécurisé\, vérifiable et évolutif dans des environnements entièrement décentralisés. \nCodes: VerifBFL : https://github.com/Ayoub-46/VerifBFL  \nAutoDFL : https://github.com/meryemmalakdif/AutoDFL \n  \nVISIO : https://webconference.unicaen.fr/b/mor-7jm-rcy
URL:https://www.greyc.fr/event/amine-bouchiha-vers-un-apprentissage-federe-decentralise-fiable-et-evolutif/
LOCATION:En distanciel
CATEGORIES:General,News,Safe,Séminaire Cryptologie et sécurité
END:VEVENT
END:VCALENDAR