Conception et mise en œuvre d'un schéma d’apprentissage fédéré cross-device sécurisé par du chiffrement homomorphe pour des applications en santé

Le Machine Learning (ML) est de plus en plus utilisé dans le domaine de la santé. L'un des principaux défis est d'accéder à des ensembles de données conséquents pour obtenir des modèles robustes. Cependant, le partage de données dans le domaine de la santé est difficile car les données sont hautement confidentielles. L'apprentissage fédéré (FL) est un paradigme d'apprentissage automatique distribué qui permet de construire des modèles de manière collaborative et décentralisée en conservant les données d'entraînement en local sur les entités qui les produisent. Le FL est donc un cadre méthodologique adapté à la construction des modèles qui seront utilisés dans un futur proche dans les dispositifs médicaux portables de surveillance de patients. Cependant, le FL offre de nouvelles surfaces d'attaque au moment de l'entraînement et reste vulnérable à certains types de fuites d'informations sensibles. Nous proposons de développer un FL cross-device qui prend en compte les contraintes matérielles des dispositifs portatifs, robuste face aux comportements malveillants et sécurisé par le chiffrement homomorphe pour lutter contre les fuites d'informations sensibles. Pour tester les développements, une part importante d’expérimentation sera réalisée avec un déploiement du schéma FL sur un réseau de cartes électroniques qui simuleront le comportement de dispositifs médicaux.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Machine Learning (ML) is increasingly being used in the healthcare sector. One of the main challenges is accessing substantial datasets to achieve robust models. However, data sharing in the healthcare domain is difficult because the data is highly confidential. Federated Learning (FL) is a distributed machine learning paradigm that enables collaborative and decentralized model building while keeping the training data local to the entities that generate it. Therefore, FL is a suitable methodological framework for constructing models that will be used shortly in portable medical devices for patient monitoring. However, FL introduces new attack surfaces during training and remains vulnerable to certain types of sensitive information leaks. We propose to develop a cross-device FL that considers the hardware constraints of portable devices, robust against malicious behavior, and secured through homomorphic encryption to prevent sensitive information leaks. To test the developments, a significant amount of experimentation will be carried out with the deployment of the FL scheme on a network of electronic boards that will simulate the behavior of medical devices.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic
Laboratoire : Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Date de début souhaitée : 01-11-2024
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic

MASTER 2 RECHERCHE en Machine Learning