Conception et mise en œuvre d'un schéma d’apprentissage fédéré cross-device sécurisé par du chiffrement homomorphe pour des applications en santé
ABG-125207 | Thesis topic | |
2024-07-20 | Public/private mixed funding |
CEA Paris-Saclay Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Saclay
Conception et mise en œuvre d'un schéma d’apprentissage fédéré cross-device sécurisé par du chiffrement homomorphe pour des applications en santé
- Data science (storage, security, measurement, analysis)
Data intelligence dont Intelligence Artificielle / Défis technologiques / Informatique et logiciels / Sciences pour l’ingénieur
Topic description
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)
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
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)
Funding category
Public/private mixed funding
Funding further details
Presentation of host institution and host laboratory
CEA Paris-Saclay Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic
Candidate's profile
MASTER 2 RECHERCHE en Machine Learning
Apply
Close
Vous avez déjà un compte ?
Nouvel utilisateur ?
More information about ABG?
Get ABG’s monthly newsletters including news, job offers, grants & fellowships and a selection of relevant events…
Discover our members
Nokia Bell Labs France
MabDesign
CESI
MabDesign
Ifremer
Aérocentre, Pôle d'excellence régional
Groupe AFNOR - Association française de normalisation
CASDEN
Tecknowmetrix
Institut Sup'biotech de Paris
ADEME
ONERA - The French Aerospace Lab
Généthon
ANRT
TotalEnergies
PhDOOC
Institut de Radioprotection et de Sureté Nucléaire - IRSN - Siège
SUEZ
Laboratoire National de Métrologie et d'Essais - LNE
-
JobPermanentRef. ABG123642Laboratoire des Courses Hippiques (GIE LCH)- Ile-de-France - France
Chargé(e) de Recherche et Innovation (H/F) / Senior Scientist Research & Innovation (M/F)
Chemistry - BiochemistryConfirmed -
Thesis topicRef. ABG125548Centre de Recherche en CardioVasculaire et Nutrition (C2VN) - INSERM 1263 - INRAE 1260 - Aix-Marseille universitéMarseille - Provence-Alpes-Côte d'Azur - France
Mechanisms involving neutrophils in Venous Thrombosis / Etude des mécanismes impliquant les neutrophiles dans la thrombose veineuse
Biology -
JobPermanentRef. ABG125568Cours GalienBordeaux Grenoble Saint Etienne - Grand Est - France
Résponsable pédagogique études médicales
Biology - Health, human and veterinary medicineAny