- Silo (apprentissage fédéré entre silos)
- Organisation qui garde ses données chez elle. L’apprentissage fédéré « entre silos » réunit quelques organisations (hôpitaux, banques, entreprises) disposant chacune de beaucoup de données, par opposition au cadre « entre appareils » (des millions de téléphones). Ici, chaque société du groupe est un silo ; le mot n’a pas le sens négatif du « travail en silo ».
- Hétérogénéité (non-IID)
- Les données des participants ne suivent pas la même distribution : volumes, clients et habitudes de paiement diffèrent d’une société à l’autre. C’est la difficulté centrale de l’apprentissage fédéré.
- Moyenne fédérée (FedAvg)
- À chaque tour, chaque silo ajuste le modèle commun sur ses propres données ; le coordinateur fait la moyenne pondérée des paramètres reçus (poids ws ∝ nsα) et la renvoie à tous. Les données ne quittent jamais leur silo.
- Adaptation locale (personnalisation)
- Ajustement du modèle commun aux données d’une seule société, de la plus légère à la plus forte : recalibration des probabilités (A0), réapprentissage de la dernière couche (A1), ajustement prudent de tout le réseau (A2).
- Transfert négatif
- Cas où apprendre avec les autres sociétés donne de moins bonnes prévisions qu’apprendre seul, avec son propre modèle local.
- Risque discret
- Probabilité qu’une facture soit payée pendant une semaine donnée, sachant qu’elle ne l’a pas été avant. Enchaînés, les risques hebdomadaires donnent une probabilité cumulée d’être payée qui ne peut que croître avec l’horizon.
- Log-loss (entropie croisée)
- Note d’erreur des prévisions probabilistes : plus elle est basse, meilleures sont les prévisions. Elle punit surtout l’excès de confiance et ne peut pas être « trichée » : c’est une règle de score propre.
- Calibration
- Concordance entre probabilités annoncées et fréquences observées : une facture annoncée « payée à 70 % » doit l’être environ 7 fois sur 10. La pente de calibration vaut 1 si les probabilités ont la bonne ampleur ; inférieure à 1, le modèle est trop sûr de lui.
- ECE (erreur de calibration attendue)
- Écart moyen entre probabilité annoncée et fréquence observée, calculé sur des classes de prévisions de même effectif ; 0,03 correspond à 3 points de pourcentage.
- Couverture d’une fourchette
- Part des cas où le montant réellement encaissé tombe dans la fourchette annoncée. Une fourchette « à 80 % » doit contenir la réalité environ 8 semaines sur 10, tout en restant la plus étroite possible.
- Marge d’équivalence ε
- Écart minimal jugé utile en pratique, fixé d’avance. En dessous, deux méthodes sont considérées comme équivalentes, même si une différence minuscule existe.
- Pré-enregistrement
- Gel daté du protocole, des métriques, des critères de décision et du code d’évaluation avant toute mesure de performance, prouvé par une étiquette Git et une empreinte SHA-256 : on ne peut plus ajuster les règles après avoir vu les résultats.