Programme de recherche

Apprentissage fédéré entre silos hétérogènes : pondération de l’agrégation et adaptation locale

Le cas de la prévision probabiliste des encaissements clients pour la trésorerie d’un groupe multi-sociétés

Recherche en coursPar Fitahiantsoa Finaritra RAZAKANARY

Protocole pré-enregistré avant toute mesure de performance ; aucun résultat n’est publié à ce stade.

  • apprentissage fédéré entre silos
  • hétérogénéité des données (non-IID)
  • pondération de l’agrégation
  • adaptation locale
  • transfert négatif
  • prévision probabiliste
  • calibration
  • survie à temps discret
Auteur
Fitahiantsoa Finaritra RAZAKANARY — responsable des projets IA et automatisation, Madecasse Group
Rattachement
MSc Big Data et Intelligence Artificielle — ESTIA • IT University
Terrain d’étude
Madecasse Group — fédération de 8 sociétés du groupe
Domaine
Apprentissage automatique appliqué : apprentissage fédéré, prévision probabiliste, calibration
Statut
Recherche en cours

Résumé

Quand plusieurs organisations entraînent ensemble un modèle sans réunir leurs données, l’hétérogénéité de ces données peut rendre la collaboration utile aux unes et nuisible aux autres. Ce programme de recherche appliquée vise à isoler l’effet de deux choix en apprentissage fédéré entre silos : la pondération des participants lors de l’agrégation (par le volume de données ou uniforme) et la profondeur de l’adaptation locale du modèle partagé (recalibration, tête locale, réseau complet). Le cas étudié est la prévision probabiliste des encaissements clients, composante la plus incertaine de la trésorerie à court terme, dans huit sociétés de Madecasse Group. Un même réseau à risques discrets estime, pour chaque facture en attente, la probabilité d’être payée sous 7, 14, 21 et 28 jours ; ces probabilités sont agrégées en une prévision par société assortie d’une fourchette à 80 %. Un plan factoriel compare apprentissage local, centralisé et fédéré, avec ou sans adaptation, à des références simples et à un gradient boosting, à budget de réglage égal. Les cinq hypothèses, les métriques (log-loss à 28 jours, calibration, couverture des fourchettes) et les critères de décision sont pré-enregistrés avant toute mesure de performance. La recherche est en cours : aucun modèle n’a encore été entraîné, et une absence de gain serait un résultat valide.

En clair

Chaque société du groupe veut savoir quelles factures ses clients paieront dans les quatre prochaines semaines, et combien d’argent arrivera en banque. Certaines ont beaucoup d’historique, d’autres très peu, et leurs clients ne paient pas de la même façon. Apprendre ensemble peut aider les plus petites, mais aussi brouiller les habitudes propres à chacune. L’apprentissage fédéré permet d’apprendre ensemble sans réunir les données : un modèle commun « voyage » de société en société, chacune l’ajuste chez elle et ne renvoie que ses réglages, jamais ses factures ni ses clients. Image : des médecins de plusieurs hôpitaux améliorent ensemble un protocole de soin en partageant ce qu’ils ont appris, sans jamais échanger les dossiers de leurs patients. La recherche mesure deux choses : quel poids donner à chaque société dans la moyenne, et jusqu’où réajuster ensuite le modèle commun pour chacune. Les règles de l’évaluation sont scellées avant de voir le moindre résultat.

Pourquoi ce travail

01

Gouvernance

Les données des sociétés sont aujourd’hui réunies dans une même base : la fédération n’est pas une nécessité technique immédiate. Mais les sociétés sont des entités juridiques distinctes, responsables des données de leurs clients, dont certains peuvent être des personnes physiques protégées par la loi n° 2014-038. La mise en commun des données détaillées n’est pas acquise par défaut, en particulier vis-à-vis d’associés ou de partenaires externes.

02

Architecture

Le système d’information évolue. Un apprentissage qui n’exige pas de centraliser les données détaillées reste applicable si les bases sont séparées ou si des sociétés extérieures rejoignent le dispositif.

03

Méthode

Comparer apprentissage local (L), centralisé (C) et fédéré (F) mesure ce que coûte l’interdiction de réunir les données (H5) et ce que rapporte la collaboration quand cette réunion est interdite (H1). Le modèle centralisé est donc le comparateur naturel ; conclure que « la centralisation avec adaptation locale suffit » serait un résultat valide, présenté comme tel.

Question de recherche

Dans quelle mesure les stratégies d’agrégation et d’adaptation locale permettent-elles, en apprentissage fédéré, d’améliorer la précision et la calibration des prévisions probabilistes d’encaissement — composante incertaine de la trésorerie — par rapport à un apprentissage local ou centralisé, lorsque les sociétés présentent des volumes de données et des comportements de règlement hétérogènes ?

Sous-questions

  1. SQ1Le partage profite-t-il surtout aux sociétés peu dotées en données, y compris à une société qui rejoint le groupe ?
  2. SQ2Une pondération uniforme réduit-elle la domination des grandes sociétés, et à quel prix ?
  3. SQ3Quelle profondeur d’adaptation locale corrige le transfert négatif sans surapprentissage ?
  4. SQ4La calibration reste-t-elle correcte dans chaque société ?
  5. SQ5Que coûte la contrainte fédérée par rapport à la réunion des données ?

Hypothèses

H1

Apport du partage

Le gain apporté par le partage croît quand l’historique local diminue.

Test
Ablation « nouvelle société » : pour trois sociétés, l’historique local est artificiellement réduit à 1, 2 ou 3 mois, sur les trois plis de test ; comparaison du modèle local L avec Fv, Fu et F+A1.
Critère de décision
Soutenue si, avec un mois d’historique, F ou F+A obtient un gain sur L dans au moins 2 des 3 sociétés cibles, et si ce gain décroît quand l’historique s’allonge.
H2

Pondération

La pondération par le volume (Fv) favorise la performance d’ensemble ; la pondération uniforme (Fu) favorise l’équité entre sociétés.

Test
Fv contre Fu : perte moyenne pondérée par les lignes, pire écart relatif au modèle local, dispersion des scores entre sociétés.
Critère de décision
Compromis confirmé si Fv est meilleur sur la moyenne et Fu meilleur sur la pire société. Une pondération meilleure sur les deux plans réfute H2.
H3

Adaptation locale

L’adaptation locale réduit le transfert négatif ; la profondeur d’adaptation utile croît avec le volume de données local.

Test
Nombre de sociétés dégradées par rapport au modèle local L, pour F, F+A0, F+A1 et F+A2.
Critère de décision
Soutenue si la meilleure adaptation laisse moins de sociétés dégradées que F seul, et si aucune société n’est dégradée par l’adaptation elle-même.
H4

Calibration

Un modèle global calibré en moyenne peut être mal calibré dans une société donnée.

Test
Pente de calibration et ECE par société pour C, Fv et Fu, puis après recalibration locale A0 ; couverture des fourchettes à 80 %.
Critère de décision
Soutenue si au moins une société est hors tolérance alors que la calibration d’ensemble est conforme, et si A0 ramène au moins 75 % des sociétés dans la tolérance (pente entre 0,8 et 1,25, ECE ≤ 0,03 ; tolérances proposées, confirmées au gel).
H5

Coût de la fédération

À adaptation identique, l’écart entre apprentissage fédéré et centralisé est faible.

Test
F+A contre C+A, et F contre C, société par société.
Critère de décision
Soutenue si l’écart est inférieur à la marge d’équivalence ε pour au moins 6 des 8 sociétés ; sinon, le coût de la fédération est chiffré et discuté.

Dispositif expérimental

Plan factoriel : une seule chose varie à la fois (mode d’apprentissage, pondération, adaptation, historique disponible), tout le reste est identique pour toutes les méthodes — architecture, variables et transformations, population évaluée, plis, horizons, budget de réglage et graines. Le noyau compte treize configurations du réseau (L ; C et ses trois adaptations ; Fv, Fu et leurs trois adaptations), deux références simples, deux références par arbres de décision et la règle des échéances. Quatre expériences forment ce noyau : E1, comparaison de toutes les méthodes sur trois plis et trois graines (H2, H3, H5) ; E2, ablation « nouvelle société » (H1) ; E3, matrice de transfert, où le modèle local de chaque société est évalué sur les autres ; E4, calibration et fourchettes (H4). Une vue de trésorerie des factures (encaissements prévus moins factures fournisseurs à échéance) est prévue en option.

Bras comparés

CodeBrasDescription
LLocalUn modèle par société, entraîné sur ses seules données, sans aucun partage. Référence de chaque société pour mesurer gains et transfert négatif.
CCentraliséToutes les données réunies pour entraîner un seul modèle : le cas où la réunion des données est autorisée. Comparateur naturel du fédéré.
FFédéré (FedAvg) : Fv et FuÀ chaque tour, chaque société ajuste le modèle commun chez elle (1, 2 ou 5 époques), puis le coordinateur fait la moyenne pondérée des paramètres, ws ∝ nsα : α = 1 pour Fv (par le volume), α = 0 pour Fu (uniforme). Seuls les paramètres, les effectifs et des pertes agrégées quittent une société.
C+ACentralisé puis adaptéModèle centralisé adapté ensuite à chaque société (A0, A1 ou A2). Sépare l’effet de la personnalisation de celui de la fédération (H5).
F+AFédéré puis adaptéModèle fédéré recalibré (A0), dont la tête est réapprise localement (A1) ou dont tout le réseau est ajusté (A2). Mesure la profondeur d’adaptation utile (H3, H4).
B0Échéances contractuellesRéférence métier : la facture est payée à son échéance. Évaluée au niveau de la société seulement, car elle ne donne pas de probabilité.
B1Taux historiquesTaux d’encaissement par tranche de retard, propres à la société (B1-L) ou communs (B1-C). Simple mais souvent difficile à battre ; B1-L sert de base aux scores de compétence.
GBDTGradient boostingLightGBM par société (GB-L) ou commun avec indicatrice de société (GB-C) : référence forte sur données tabulaires, pour ne pas conclure trop vite qu’un réseau de neurones est nécessaire.
Ext.ExtensionsFédéré avec α = 0,5, FedProx et Ditto, si le calendrier le permet ; analyses exploratoires.

Facteurs et niveaux

FacteurNiveaux
Mode d’apprentissagelocal (L) · centralisé (C) · fédéré (F)
Pondération de l’agrégationws ∝ nsα, où ns est le nombre de lignes d’apprentissage de la société : α = 1 (Fv, par le volume) · α = 0 (Fu, uniforme) · α = 0,5 (exploratoire)
Adaptation localeaucune · A0 recalibration (z′k = a zk + bk, a > 0 : cinq nombres, ordre des factures préservé) · A1 tête locale (dernière couche réapprise, reste figé) · A2 réseau complet (pas réduit, arrêt anticipé). Données de la seule société : ses quatre dernières origines closes, réservées à cet usage pour toutes les méthodes.
Historique local disponible (ablation)complet · réduit à 1, 2 ou 3 mois pour trois sociétés, pour simuler une société qui rejoint le groupe

Modèle

Modèle commun : un réseau à risques discrets, de la famille des modèles de survie à temps discret — un perceptron multicouche compact (deux couches cachées de 32 à 128 unités, ReLU, dropout). Chaque dimanche (origine de prévision), pour chaque facture en attente de moins d’un an, il produit quatre risques hebdomadaires λk = σ(zk), d’où les probabilités d’être payée sous 7, 14, 21 et 28 jours, F(7k) = 1 − ∏j≤k (1 − λj), croissantes par construction. La perte est l’entropie croisée à étiquettes fractionnaires, masquée sur les horizons non encore clos : une règle de score propre, qui traite les paiements partiels sans hypothèse supplémentaire. Le réseau ne contient ni identifiant de société ni normalisation par lots, dont les statistiques propres à chaque société perturberaient la moyenne fédérée ; les transformations des variables sont fixées à l’avance, sans statistique calculée sur l’union des sociétés. Au niveau de la société, le montant attendu est la somme des sommes dues pondérées par ces probabilités ; 2 000 simulations, où les factures d’un même client partagent un même tirage, donnent une fourchette à 80 % [q10 ; q90], corrigée par une calibration conforme locale (score de type CQR). La fédération est simulée sur un seul poste (boucle FedAvg explicite en PyTorch, au plus 200 tours, interface compatible avec Flower) ; elle n’offre aucune garantie formelle de confidentialité.

Métriques

Log-loss (entropie croisée) — critère principal
À étiquettes fractionnaires, à 28 jours (principal) et à 7 jours (confirmation). Le classement principal repose sur la log-loss à 28 jours, en moyenne simple sur les huit sociétés et les trois plis, présentée avec la dispersion entre graines, les intervalles et les résultats par société.
Score de Brier et score de compétence
Écart quadratique entre probabilité annoncée et réalité ; le score de compétence exprime le gain relatif par rapport à la référence B1-L.
Calibration : pente, ordonnée et ECE
Diagrammes de fiabilité, pente et ordonnée de calibration, et ECE sur 10 classes d’effectif égal, par société. Tolérances proposées, à confirmer au gel : pente entre 0,8 et 1,25 ; ECE ≤ 0,03.
Discrimination
AUC ROC et AUC PR, en mesures secondaires.
Fourchettes agrégées : couverture et largeur
Couverture de [q10 ; q90] (nominal 80 %), largeur relative et CRPS par simulation : une bonne fourchette contient la réalité environ 8 fois sur 10 tout en restant étroite. La couverture nominale doit se trouver dans l’intervalle de confiance binomial à 95 % de la couverture observée.
Erreurs agrégées par société
MAE, WAPE et biais signé, en montant et en part de l’encours : lecture métier, hors classement principal, car elles reposent sur moins d’observations indépendantes.
Hétérogénéité et transfert
Scores par société, moyenne simple et moyenne pondérée par les lignes, pire société et dispersion entre sociétés ; différence appariée au modèle local et décompte des gains, des dégradations et des résultats non concluants. Une moyenne peut cacher une société sacrifiée.
Coût
Nombre de tours, volume échangé, temps de calcul et mémoire : une méthode à peine meilleure mais bien plus coûteuse n’est pas forcément préférable.

Protocole

  1. Évaluation glissante : mise au point et réglage sur une période de développement (validation croisée temporelle interne à deux plis), puis test sur trois plis mensuels successifs. Avant chaque pli, les modèles sont réentraînés sur toutes les origines closes, réglages gelés, et l’évaluation n’est exécutée qu’une seule fois.
  2. Unité d’analyse : pour une société, un horizon et une paire de méthodes, différence moyenne de perte calculée sur exactement les mêmes factures et les mêmes origines hebdomadaires (comparaison appariée).
  3. Intervalles de confiance à 95 % par bootstrap par grappes de clients (10 000 répétitions, intervalle percentile) : on tire des clients entiers avec remise, car les factures d’un même client ne sont pas indépendantes. En sensibilité : bootstrap par blocs de quatre origines consécutives.
  4. Marge d’équivalence εs : le plus grand de 1 % de la perte du modèle local de la société et de deux fois l’écart-type médian entre graines observé en développement. La règle de calcul et la valeur sont fixées avant l’ouverture du test.
  5. Règle de décision : gain si l’intervalle est entièrement négatif, l’effet supérieur à ε et le signe identique dans au moins deux plis sur trois ; dégradation (transfert négatif) dans le cas symétrique ; sinon, équivalence ou résultat non concluant.
  6. Comparaisons multiples : un contraste principal pré-déclaré par hypothèse, à 28 jours, avec correction de Holm entre sociétés ; toute autre comparaison est exploratoire.
  7. Équité de la comparaison : même budget de réglage pour chaque famille de méthodes (20 combinaisons tirées au hasard dans un espace commun) ; trois graines par méthode aléatoire, portées à cinq si l’écart entre graines dépasse ε dans plus de deux sociétés ; les quatre dernières origines closes sont réservées à l’arrêt anticipé, à l’adaptation et à la calibration, pour toutes les méthodes.
  8. Petits effectifs : une société dont l’intervalle est trop large est rapportée avec ses effectifs, sans conclusion individuelle.
  9. Sensibilités prévues : définition stricte de l’encaissement (banque directe seulement), portefeuille complet toutes anciennetés, fenêtre de test étendue avec une marge de maturité réduite ; selon le calendrier : information telle qu’enregistrée à la date de prévision, pondérations alternatives, indépendance des factures d’un même client dans la simulation, ajout de la société étudiée en test de robustesse.
  10. Portée : les conclusions valent pour les sociétés et la période évaluées. La proximité organisationnelle au sein d’un même groupe et un historique commun court, sans cycle annuel complet, ne permettent ni de généraliser à d’autres entreprises ni d’identifier une saisonnalité annuelle.

Intégrité et éthique

Intégrité scientifique

  • Pré-enregistrement : le protocole, les configurations, les métriques, les critères de décision et le code d’évaluation sont gelés avant toute mesure de performance d’un modèle appris, et versés au dossier avec une étiquette Git et une empreinte SHA-256.
  • Test scellé : aucune mesure de performance n’est calculée sur la fenêtre de test avant que les réglages et la marge ε soient gelés ; chaque exécution est journalisée.
  • Traçabilité des écarts : toute modification ultérieure produit une nouvelle version datée du protocole, avec son motif et les résultats avant et après. Une méthode modifiée après lecture du test n’est jamais présentée comme validée par ce même test, et toute analyse ajoutée est déclarée exploratoire.
  • Données figées : l’étude repose sur un instantané unique des données, sans nouvelle extraction ; ses empreintes SHA-256 sont vérifiées à chaque chargement, ce qui permet à un tiers autorisé de refaire chaque calcul à l’identique.
  • Reproductibilité : dépendances figées, graines fixées et journal d’expériences (configuration, empreinte, graine, durée, résultats). Une réexécution d’une configuration de référence doit retrouver données, plis et scores à 10−6 près, hors aléa documenté ; chaque chiffre du mémoire est relié à une exécution identifiée.
  • Absence de fuite : les variables d’une origine n’utilisent que des événements datés au plus tard de cette origine, ce que vérifie un test par perturbation des données futures. Une règle de maturité n’évalue que les semaines dont les paiements ont eu le temps d’être enregistrés.
  • Qualité logicielle : tests automatisés des règles critiques (reconstruction des soldes, définition de l’encaissement, absence de fuite, croissance des probabilités, isolement des sociétés), avec au moins 80 % du code de préparation des données couvert.

Éthique et données

  • Cadre légal : loi n° 2014-038 du 9 janvier 2015 sur la protection des données à caractère personnel (Madagascar) ; les données clients peuvent concerner des personnes physiques.
  • Autorisation : accord écrit du commanditaire (direction du groupe) pour l’usage académique des données ; clause de confidentialité si le mémoire doit circuler au-delà du jury.
  • Minimisation : seules les tables comptables nécessaires sont lues ; aucun nom, aucune coordonnée, aucune pièce jointe n’est exploité ; les identifiants de clients sont pseudonymisés (HMAC à clé conservée par l’entreprise).
  • Localisation : les données détaillées restent sur l’infrastructure de l’entreprise, hors dépôt de code et hors mémoire. Dans le cadre fédéré, chaque société n’accède qu’à son propre dossier et le coordinateur ne reçoit que des paramètres, des effectifs et des pertes agrégées.
  • Diffusion : résultats publiés uniquement en agrégats par société, sous des codes de sociétés anonymisés ; aucune donnée nominative.
  • Limite assumée : la simulation fédérée n’apporte aucune garantie formelle de confidentialité (ni confidentialité différentielle, ni agrégation sécurisée) et n’est pas présentée comme une mise en conformité.

Contributions attendues

  • Fournir un protocole comparatif documenté et pré-enregistré, appliqué à des données réelles hétérogènes, qui isole l’effet de la pondération de l’agrégation et celui de l’adaptation locale en apprentissage fédéré entre silos.
  • Mesurer, société par société plutôt qu’en une seule moyenne, les gains, les dégradations (transfert négatif) et les résultats non concluants de chaque stratégie.
  • Estimer ce que coûte la contrainte fédérée par rapport à la réunion des données (H5) et ce qu’apporte le partage à une société dont l’historique est court (H1).
  • Analyser la calibration par société et la fiabilité des fourchettes agrégées, pour vérifier si une calibration correcte en moyenne masque des écarts locaux (H4).
  • Livrer un prototype reproductible — chaîne exécutable de l’instantané de données aux tableaux de résultats, tests automatisés, journal d’expériences — et un guide de reprise.
  • Formuler pour le groupe une note de recommandations : usage de la prévision en trésorerie, conditions de fraîcheur des données, choix d’une architecture centralisée ou fédérée.
  • Aucun gain minimal n’est fixé à l’avance : un résultat nul, un gain limité à certaines sociétés, ou la conclusion que la centralisation avec adaptation locale suffit, seront présentés comme tels.

Positionnement

Le projet relève de la recherche appliquée en apprentissage automatique. Il ne suppose ni l’invention d’un algorithme ni la supériorité de l’apprentissage fédéré : une absence de gain, ou un gain limité à certaines sociétés, constitue un résultat exploitable si l’expérimentation est rigoureuse. L’auteur est aussi responsable des projets d’intelligence artificielle et d’automatisation du groupe. Cette position de praticien-chercheur donne accès au terrain et à une décision réelle — mutualiser ou non l’apprentissage entre sociétés —, mais expose au biais de confirmation, la tendance à voir ce que l’on espère. Ce risque est traité explicitement : le protocole, les métriques, les critères de décision et le code d’évaluation sont gelés et horodatés avant toute mesure de performance d’un modèle appris ; les comparateurs incluent des références fortes (gradient boosting, centralisé adapté) à budget de réglage égal ; les plis de test ne sont ouverts qu’une fois les réglages gelés ; toute analyse ajoutée ensuite est déclarée exploratoire. Comme pour un examen, les questions et le barème sont mis sous enveloppe scellée avant de corriger les copies ; ici, l’enveloppe est une empreinte numérique.

Glossaire

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.

Références

  1. Andreux, M., Manoel, A., Menuet, R., Saillard, C. & Simpson, C. (2020). Federated Survival Analysis with Discrete-Time Cox Models. arXiv:2006.08997. arxiv.org/abs/2006.08997 (nouvel onglet)
  2. Angelopoulos, A. N. & Bates, S. (2023). Conformal Prediction: A Gentle Introduction. Foundations and Trends in Machine Learning, 16(4), 494–591. arxiv.org/abs/2107.07511 (nouvel onglet)
  3. Arivazhagan, M. G., Aggarwal, V., Singh, A. K. & Choudhary, S. (2019). Federated Learning with Personalization Layers. arXiv:1912.00818. arxiv.org/abs/1912.00818 (nouvel onglet)
  4. Bergmeir, C. & Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192–213.
  5. Beutel, D. J. et al. (2020). Flower: A Friendly Federated Learning Research Framework. arXiv:2007.14390. arxiv.org/abs/2007.14390 (nouvel onglet)
  6. Bouthillier, X. et al. (2021). Accounting for Variance in Machine Learning Benchmarks. MLSys. arxiv.org/abs/2103.03098 (nouvel onglet)
  7. Cheng, G., Chadha, K. & Duchi, J. (2023). Federated Asymptotics: a model to compare federated learning algorithms. AISTATS, PMLR 206.
  8. Collins, L., Hassani, H., Mokhtari, A. & Shakkottai, S. (2021). Exploiting Shared Representations for Personalized Federated Learning. ICML, PMLR 139, 2089–2099. arxiv.org/abs/2102.07078 (nouvel onglet)
  9. Gensheimer, M. F. & Narasimhan, B. (2019). A scalable discrete-time survival model for neural networks. PeerJ, 7, e6257. doi.org/10.7717/peerj.6257 (nouvel onglet)
  10. Gneiting, T., Balabdaoui, F. & Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society B, 69(2), 243–268. doi.org/10.1111/j.1467-9868.2007.00587.x (nouvel onglet)
  11. Gneiting, T. & Raftery, A. E. (2007). Strictly Proper Scoring Rules, Prediction, and Estimation. Journal of the American Statistical Association, 102(477), 359–378. doi.org/10.1198/016214506000001437 (nouvel onglet)
  12. Grinsztajn, L., Oyallon, E. & Varoquaux, G. (2022). Why do tree-based models still outperform deep learning on typical tabular data? NeurIPS, Datasets and Benchmarks Track. arxiv.org/abs/2207.08815 (nouvel onglet)
  13. Guo, C., Pleiss, G., Sun, Y. & Weinberger, K. Q. (2017). On Calibration of Modern Neural Networks. ICML, PMLR 70, 1321–1330. arxiv.org/abs/1706.04599 (nouvel onglet)
  14. Humbert, P., Le Bars, B., Bellet, A. & Arlot, S. (2023). One-Shot Federated Conformal Prediction. ICML, PMLR 202.
  15. Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd ed. OTexts.
  16. Kairouz, P., McMahan, H. B. et al. (2021). Advances and Open Problems in Federated Learning. Foundations and Trends in Machine Learning, 14(1–2), 1–210. arxiv.org/abs/1912.04977 (nouvel onglet)
  17. Karimireddy, S. P., Kale, S., Mohri, M., Reddi, S., Stich, S. & Suresh, A. T. (2020). SCAFFOLD: Stochastic Controlled Averaging for Federated Learning. ICML, PMLR 119. arxiv.org/abs/1910.06378 (nouvel onglet)
  18. Kaufman, S., Rosset, S., Perlich, C. & Stitelman, O. (2012). Leakage in data mining: Formulation, detection, and avoidance. ACM Transactions on Knowledge Discovery from Data, 6(4), article 15.
  19. Ke, G. et al. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. NeurIPS.
  20. Künsch, H. R. (1989). The jackknife and the bootstrap for general stationary observations. The Annals of Statistics, 17(3), 1217–1241.
  21. Kvamme, H., Borgan, Ø. & Scheel, I. (2019). Time-to-Event Prediction with Neural Networks and Cox Regression. Journal of Machine Learning Research, 20(129), 1–30. arxiv.org/abs/1907.00825 (nouvel onglet)
  22. Li, Q., Diao, Y., Chen, Q. & He, B. (2022). Federated Learning on Non-IID Data Silos: An Experimental Study. IEEE ICDE, 965–978. arxiv.org/abs/2102.02079 (nouvel onglet)
  23. Li, T., Hu, S., Beirami, A. & Smith, V. (2021). Ditto: Fair and Robust Federated Learning Through Personalization. ICML, PMLR 139, 6357–6368. arxiv.org/abs/2012.04221 (nouvel onglet)
  24. Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A. & Smith, V. (2020). Federated Optimization in Heterogeneous Networks. MLSys. arxiv.org/abs/1812.06127 (nouvel onglet)
  25. Li, T., Sanjabi, M., Beirami, A. & Smith, V. (2020). Fair Resource Allocation in Federated Learning. ICLR. arxiv.org/abs/1905.10497 (nouvel onglet)
  26. Li, X., Jiang, M., Zhang, X., Kamp, M. & Dou, Q. (2021). FedBN: Federated Learning on Non-IID Features via Local Batch Normalization. ICLR. arxiv.org/abs/2102.07623 (nouvel onglet)
  27. Lu, C., Yu, Y., Karimireddy, S. P., Jordan, M. I. & Raskar, R. (2023). Federated Conformal Predictors for Distributed Uncertainty Quantification. ICML, PMLR 202.
  28. McMahan, B., Moore, E., Ramage, D., Hampson, S. & Agüera y Arcas, B. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. AISTATS, PMLR 54, 1273–1282. arxiv.org/abs/1602.05629 (nouvel onglet)
  29. Mohri, M., Sivek, G. & Suresh, A. T. (2019). Agnostic Federated Learning. ICML, PMLR 97, 4615–4625. arxiv.org/abs/1902.00146 (nouvel onglet)
  30. Ogier du Terrail, J. et al. (2022). FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings. NeurIPS, Datasets and Benchmarks Track. arxiv.org/abs/2210.04620 (nouvel onglet)
  31. République de Madagascar. Loi n° 2014-038 du 9 janvier 2015 sur la protection des données à caractère personnel.
  32. Romano, Y., Patterson, E. & Candès, E. (2019). Conformalized Quantile Regression. NeurIPS. arxiv.org/abs/1905.03222 (nouvel onglet)
  33. Saini, S., Manai, G., van den Boom, W., De Iorio, M. & Qian, F. (2024). Invoice level forecasting with discrete survival methods for effective forecasting of account receivables in supply chain. Discover Analytics, 2, article 5.
  34. Tan, A. Z., Yu, H., Cui, L. & Yang, Q. (2023). Towards Personalized Federated Learning. IEEE Transactions on Neural Networks and Learning Systems, 34(12), 9587–9603. arxiv.org/abs/2103.00710 (nouvel onglet)
  35. Tashman, L. J. (2000). Out-of-sample tests of forecasting accuracy: an analysis and review. International Journal of Forecasting, 16(4), 437–450.
  36. Tutz, G. & Schmid, M. (2016). Modeling Discrete Time-to-Event Data. Springer.
  37. Wang, J., Charles, Z., Xu, Z. et al. (2021). A Field Guide to Federated Optimization. arXiv:2107.06917. arxiv.org/abs/2107.06917 (nouvel onglet)
  38. Wang, Z., Dai, Z., Póczos, B. & Carbonell, J. (2019). Characterizing and Avoiding Negative Transfer. CVPR, 11293–11302. arxiv.org/abs/1811.09751 (nouvel onglet)
  39. Weytjens, H., Lohmann, E. & Kleinsteuber, M. (2021). Cash flow prediction: MLP and LSTM compared to ARIMA and Prophet. Electronic Commerce Research, 21, 371–391.
  40. Yu, T., Bagdasaryan, E. & Shmatikov, V. (2020). Salvaging Federated Learning by Local Adaptation. arXiv:2002.04758. arxiv.org/abs/2002.04758 (nouvel onglet)
  41. Zeng, S., Melville, P., Lang, C. A., Boier-Martin, I. & Murphy, C. (2008). Using Predictive Analysis to Improve Invoice-to-Cash Collection. KDD, 1043–1050.

Citer ce travail

Travail en cours, non publié : merci de citer cette page et sa date de consultation.

BibTeX
@mastersthesis{razakanary-fedcash,
  author = {Razakanary, Fitahiantsoa Finaritra},
  title  = {Apprentissage fédéré entre silos hétérogènes : pondération de l'agrégation et adaptation locale},
  school = {ESTIA --- IT University},
  type   = {Mémoire de MSc Big Data et Intelligence Artificielle},
  note   = {Recherche en cours. Programme FedCash},
}