Description
Date depot: 1 octobre 2020
Titre: Apprentissage décentralisé efficace en matière de communication pour les systèmes en réseau intelligents
Directeur de thèse:
Marios KOUNTOURIS (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Systèmes et réseaux
Resumé:
L'apprentissage automatique distribué (serveur de paramètres, apprentissage fédéré) exploite le parallélisme des données ou des modèles et utilise plusieurs appareils pour générer de façon collaborative un modèle (global). Malgré ses avantages (confidentialité, tolérance aux pannes, scalabilité) par rapport aux approches centralisées traditionnelles, cette approche a commencé à montrer ses limitations, telles que la congestion du réseau et la robustesse limitée du système. Dans cette thèse, nous explorons le potentiel de l’apprentissage décentralisé, dans lequel il n’y a pas de serveur central, et l’apprentissage est effectué en collaboration sur des appareils connectés par un graphe (épars). Nous étudions les techniques efficaces de communication pour l'apprentissage décentralisé sur les réseaux sans fil. En particulier, nous prenons en compte les caractéristiques du canal sans fil et nous exploitons les potentielles corrélations et interactions spatio-temporelles, comme un moyen de réduire le retard de l'ensemble du processus d'apprentissage. Poussés par les applications émergentes en réseau intelligentes, telles que la robotique en essaim et les véhicules autonomes, nous étudions des algorithmes décentralisés efficaces et robustes pour l'apprentissage et la prise de décision sous des contraintes de latence strictes (en temps réel), en particulier dans des scénarios avec des graphes de communication à variation rapide, échanges d'information restreints entre les agents, et convergence à temps.
Doctorant.e: Jeong Eunjeong