De l'apprentissage fédéré décentralisé pour l'analyse des données de patients // Decentralized federated learning for patient data analysis

L'apprentissage fédéré décentralisé (DFL – Decentralized Federated Learning) consiste en une approche décentralisée pour entrainer un modèle d'apprentissage. Son utilisation, notamment dans le domaine de la santé, permet un entraînement collaboratif sans partage de données sensibles entre les nœuds et sans besoin d'un nœud central pour gérer, synchroniser et fusionner les paramètres du modèle d'apprentissage. Les données propres à chaque patient sont collectées via des réseaux de capteurs corporels sans fil (WBAN – Wireless Body Area Networks) où des capteurs sans fil sont placés sur le corps humain afin de superviser et de collecter des données physiologiques, des données cinématiques, ou autres types de données. Un équipement central, souvent appelé “puits”, joue le rôle d'une passerelle entre le réseau WBAN et le réseau extérieur (médecins, infirmiers, pharmaciens...). Ces dispositifs en périphérie (les « puits ») vont collaborer à créer un modèle global en s'appuyant sur des données en local.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Decentralized Federated Learning (DFL) is a decentralized approach for training a learning model. Its use, particularly in the healthcare field, allows collaborative training without sharing sensitive data between nodes and without the need for a central node to manage, synchronize, and merge the learning model parameters. Patient-specific data is collected via Wireless Body Area Networks (WBANs) where wireless sensors are placed on the human body to monitor and collect physiological data, kinematic data, or other types of data. A central device, often called a “sink,” acts as a gateway between the WBAN and the external network (doctors, nurses, pharmacists, etc.). These peripheral devices (the “sinks”) will collaborate to create a global model based on local data.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'une collectivité locale ou territoriale

Université de Picardie - Jules Verne

585 Sciences, Technologie, Santé

Profil: Master ou équivalent (Bac +5) en Informatique Compétences: -IA: Apprentissage automatique -Réseau: Protocoles de communication -Excellentes compétences en rédaction et présentation en anglais -Capacité de travail en équipe.
Profile: Master degree or equivalent (Bac + 5) in computer science Skills: -AI: Machine learning -Network: Communication protocols -Excellent writing and presentation skills in English -Teamwork abilities.