(en) Kalista Bonawitz, Vladimir Ivanov, Ben Kreuter et Antonio Marcedone, « Practical Secure Aggregation for Privacy-Preserving Machine Learning », Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, ACM, , p. 1175–1191 (ISBN978-1-4503-4946-8, DOI10.1145/3133956.3133982, lire en ligne, consulté le )
(en) Martin Abadi, Andy Chu, Ian Goodfellow et H. Brendan McMahan, « Deep Learning with Differential Privacy », Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security, ACM, , p. 308–318 (ISBN978-1-4503-4139-4, DOI10.1145/2976749.2978318, lire en ligne, consulté le )
(en) Reza Shokri et Vitaly Shmatikov, « Privacy-Preserving Deep Learning », Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications Security, ACM, , p. 1310–1321 (ISBN978-1-4503-3832-5, DOI10.1145/2810103.2813687, lire en ligne, consulté le )
arxiv.org
Jakub Konečný, H. Brendan McMahan, Daniel Ramage et Peter Richtárik, « Federated Optimization: Distributed Machine Learning for On-Device Intelligence », arXiv:1610.02527 [cs], (lire en ligne, consulté le )
Jakub Konečný, H. Brendan McMahan, Felix X. Yu et Peter Richtárik, « Federated Learning: Strategies for Improving Communication Efficiency », arXiv:1610.05492 [cs], (lire en ligne, consulté le )
(en) Zachary Charles, Kallista Bonawitz, Stanislav Chiknavaryan et Brendan McMahan, « Federated Select: A Primitive for Communication- and Memory-Efficient Federated Learning », arXiv, (lire en ligne, consulté le )
(en) Maxence Noble, Aurélien Bellet et Aymeric Dieuleveut, « Differentially Private Federated Learning on Heterogeneous Data », arXiv, (lire en ligne, consulté le )
(en) Subhash Sagar, Chang-Sun Li, Seng W. Loke et Jinho Choi, « Poisoning Attacks and Defenses in Federated Learning: A Survey », arXiv, (lire en ligne, consulté le )
(en) Amrita Roy Chowdhury, Chuan Guo, Somesh Jha et Laurens van der Maaten, « EIFFeL: Ensuring Integrity for Federated Learning », arXiv, (lire en ligne, consulté le )
(en) Simon Caton et Christian Haas, « Fairness in Machine Learning: A Survey », arXiv:2010.04053 [cs, stat], (lire en ligne, consulté le )
(en) Yahya H. Ezzeldin, Shen Yan, Chaoyang He et Emilio Ferrara, « FairFed: Enabling Group Fairness in Federated Learning », arXiv, (lire en ligne, consulté le )
Fei Kong, Jinxi Xiang, Xiyue Wang et Xinran Wang, « Federated contrastive learning models for prostate cancer diagnosis and Gleason grading », arXiv:2302.06089 [cs, q-bio], (lire en ligne, consulté le )
Tianyue Zheng, Ang Li, Zhe Chen et Hongbo Wang, « AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving », arXiv:2302.08646 [cs], (lire en ligne, consulté le )
(en) Peter Kairouz, H. Brendan McMahan, Brendan Avent, Aurélien Belletet al., « Advances and Open Problems in Federated Learning », Foundations and Trends in Machine Learning, vol. 14, nos 1–2, , p. 1–210 (ISSN1935-8237 et 1935-8245, DOI10.1561/2200000083, lire en ligne, consulté le )
(en) Qiang Yang, Yang Liu, Tianjian Chen et Yongxin Tong, « Federated Machine Learning: Concept and Applications », ACM Transactions on Intelligent Systems and Technology, vol. 10, no 2, , p. 12:1–12:19 (ISSN2157-6904, DOI10.1145/3298981, lire en ligne, consulté le )
(en) Kalista Bonawitz, Vladimir Ivanov, Ben Kreuter et Antonio Marcedone, « Practical Secure Aggregation for Privacy-Preserving Machine Learning », Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, ACM, , p. 1175–1191 (ISBN978-1-4503-4946-8, DOI10.1145/3133956.3133982, lire en ligne, consulté le )
(en) Yacine Belal, Aurélien Bellet, Sonia Ben Mokhtar et Vlad Nitu, « PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning », Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, vol. 6, no 3, , p. 101:1–101:27 (DOI10.1145/3550302, lire en ligne, consulté le )
(en) Hongsheng Hu, Zoran Salcic, Lichao Sun et Gillian Dobbie, « Membership Inference Attacks on Machine Learning: A Survey », ACM Computing Surveys, vol. 54, no 11s, , p. 235:1–235:37 (ISSN0360-0300, DOI10.1145/3523273, lire en ligne, consulté le )
(en) Borja Balle, Giovanni Cherubin et Jamie Hayes, « Reconstructing Training Data with Informed Adversaries », 2022 IEEE Symposium on Security and Privacy (SP), , p. 1138–1156 (DOI10.1109/SP46214.2022.9833677, lire en ligne, consulté le )
(en) Martin Abadi, Andy Chu, Ian Goodfellow et H. Brendan McMahan, « Deep Learning with Differential Privacy », Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security, ACM, , p. 308–318 (ISBN978-1-4503-4139-4, DOI10.1145/2976749.2978318, lire en ligne, consulté le )
(en) Han Yu, Zelei Liu, Yang Liu et Tianjian Chen, « A Fairness-aware Incentive Scheme for Federated Learning », Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, Association for Computing Machinery, aIES '20, , p. 393–399 (ISBN978-1-4503-7110-0, DOI10.1145/3375627.3375840, lire en ligne, consulté le )
(en) Reza Shokri et Vitaly Shmatikov, « Privacy-Preserving Deep Learning », Proceedings of the 22nd ACM SIGSAC Conference on Computer and Communications Security, ACM, , p. 1310–1321 (ISBN978-1-4503-3832-5, DOI10.1145/2810103.2813687, lire en ligne, consulté le )
(en) Ittai Dayan, Holger R. Roth, Aoxiao Zhong et Ahmed Harouni, « Federated learning for predicting clinical outcomes in patients with COVID-19 », Nature Medicine, vol. 27, no 10, , p. 1735–1743 (ISSN1546-170X, DOI10.1038/s41591-021-01506-3, lire en ligne, consulté le )
(en) Karisma Trinanda Putra, Hsing-Chung Chen, Prayitno et Marek R. Ogiela, « Federated Compressed Learning Edge Computing Framework with Ensuring Data Privacy for PM2.5 Prediction in Smart City Sensing Applications », Sensors, vol. 21, no 13, , p. 4586 (ISSN1424-8220, PMID34283140, PMCIDPMC8271576, DOI10.3390/s21134586, lire en ligne, consulté le )
(en) Qiang Yang, Yang Liu, Tianjian Chen et Yongxin Tong, « Federated Machine Learning: Concept and Applications », ACM Transactions on Intelligent Systems and Technology, vol. 10, no 2, , p. 12:1–12:19 (ISSN2157-6904, DOI10.1145/3298981, lire en ligne, consulté le )
(en) Yacine Belal, Aurélien Bellet, Sonia Ben Mokhtar et Vlad Nitu, « PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning », Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, vol. 6, no 3, , p. 101:1–101:27 (DOI10.1145/3550302, lire en ligne, consulté le )
(en) Hongsheng Hu, Zoran Salcic, Lichao Sun et Gillian Dobbie, « Membership Inference Attacks on Machine Learning: A Survey », ACM Computing Surveys, vol. 54, no 11s, , p. 235:1–235:37 (ISSN0360-0300, DOI10.1145/3523273, lire en ligne, consulté le )
(en) Han Yu, Zelei Liu, Yang Liu et Tianjian Chen, « A Fairness-aware Incentive Scheme for Federated Learning », Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, Association for Computing Machinery, aIES '20, , p. 393–399 (ISBN978-1-4503-7110-0, DOI10.1145/3375627.3375840, lire en ligne, consulté le )
(en) James Bell, Adrià Gascón, Tancrède Lepoint et Baiyu Li, « ACORN: Input Validation for Secure Aggregation », Cryptology ePrint Archive, (lire en ligne, consulté le )
ieee.org
ieeexplore.ieee.org
(en) Borja Balle, Giovanni Cherubin et Jamie Hayes, « Reconstructing Training Data with Informed Adversaries », 2022 IEEE Symposium on Security and Privacy (SP), , p. 1138–1156 (DOI10.1109/SP46214.2022.9833677, lire en ligne, consulté le )
issn.org
portal.issn.org
(en) Peter Kairouz, H. Brendan McMahan, Brendan Avent, Aurélien Belletet al., « Advances and Open Problems in Federated Learning », Foundations and Trends in Machine Learning, vol. 14, nos 1–2, , p. 1–210 (ISSN1935-8237 et 1935-8245, DOI10.1561/2200000083, lire en ligne, consulté le )
(en) Qiang Yang, Yang Liu, Tianjian Chen et Yongxin Tong, « Federated Machine Learning: Concept and Applications », ACM Transactions on Intelligent Systems and Technology, vol. 10, no 2, , p. 12:1–12:19 (ISSN2157-6904, DOI10.1145/3298981, lire en ligne, consulté le )
(en) Hongsheng Hu, Zoran Salcic, Lichao Sun et Gillian Dobbie, « Membership Inference Attacks on Machine Learning: A Survey », ACM Computing Surveys, vol. 54, no 11s, , p. 235:1–235:37 (ISSN0360-0300, DOI10.1145/3523273, lire en ligne, consulté le )
(en) Ittai Dayan, Holger R. Roth, Aoxiao Zhong et Ahmed Harouni, « Federated learning for predicting clinical outcomes in patients with COVID-19 », Nature Medicine, vol. 27, no 10, , p. 1735–1743 (ISSN1546-170X, DOI10.1038/s41591-021-01506-3, lire en ligne, consulté le )
(en) Karisma Trinanda Putra, Hsing-Chung Chen, Prayitno et Marek R. Ogiela, « Federated Compressed Learning Edge Computing Framework with Ensuring Data Privacy for PM2.5 Prediction in Smart City Sensing Applications », Sensors, vol. 21, no 13, , p. 4586 (ISSN1424-8220, PMID34283140, PMCIDPMC8271576, DOI10.3390/s21134586, lire en ligne, consulté le )
(en) Mohamad Mansouri, Melek Önen, Wafa Ben Jaballah et Mauro Conti, « SoK: Secure Aggregation based on cryptographic schemes for
Federated Learning », Proceedings on Privacy Enhancing Technologies, (lire en ligne [PDF])
mdpi.com
(en) Karisma Trinanda Putra, Hsing-Chung Chen, Prayitno et Marek R. Ogiela, « Federated Compressed Learning Edge Computing Framework with Ensuring Data Privacy for PM2.5 Prediction in Smart City Sensing Applications », Sensors, vol. 21, no 13, , p. 4586 (ISSN1424-8220, PMID34283140, PMCIDPMC8271576, DOI10.3390/s21134586, lire en ligne, consulté le )
(en) Aurélien Bellet, Rachid Guerraoui, Mahsa Taziki et Marc Tommasi, « Personalized and Private Peer-to-Peer Machine Learning », Proceedings of the Twenty-First International Conference on Artificial Intelligence and Statistics, PMLR, , p. 473–481 (lire en ligne, consulté le )
(en) Sai Praneeth Karimireddy, Satyen Kale, Mehryar Mohri et Sashank Reddi, « SCAFFOLD: Stochastic Controlled Averaging for Federated Learning », Proceedings of the 37th International Conference on Machine Learning, PMLR, , p. 5132–5143 (lire en ligne, consulté le )
(en) Yann Fraboni, Richard Vidal et Marco Lorenzi, « Free-rider Attacks on Model Aggregation in Federated Learning », Proceedings of The 24th International Conference on Artificial Intelligence and Statistics, PMLR, , p. 1846–1854 (lire en ligne, consulté le )
(en) Ittai Dayan, Holger R. Roth, Aoxiao Zhong et Ahmed Harouni, « Federated learning for predicting clinical outcomes in patients with COVID-19 », Nature Medicine, vol. 27, no 10, , p. 1735–1743 (ISSN1546-170X, DOI10.1038/s41591-021-01506-3, lire en ligne, consulté le )
(en) Karisma Trinanda Putra, Hsing-Chung Chen, Prayitno et Marek R. Ogiela, « Federated Compressed Learning Edge Computing Framework with Ensuring Data Privacy for PM2.5 Prediction in Smart City Sensing Applications », Sensors, vol. 21, no 13, , p. 4586 (ISSN1424-8220, PMID34283140, PMCIDPMC8271576, DOI10.3390/s21134586, lire en ligne, consulté le )
(en) Peter Kairouz, H. Brendan McMahan, Brendan Avent, Aurélien Belletet al., « Advances and Open Problems in Federated Learning », Foundations and Trends in Machine Learning, vol. 14, nos 1–2, , p. 1–210 (ISSN1935-8237 et 1935-8245, DOI10.1561/2200000083, lire en ligne, consulté le )
Sébastien Godard, Nicolas Voisine, Tanguy Urvoy et Vincent Lemaire, « Apprentissage fédératif pour la prédiction du churn : une évaluation », Revue des Nouvelles Technologies de l'Information « Extraction et Gestion des connaissances, RNTI-E-35 », , p. 141-152 (lire en ligne [PDF])
