Federated learning of Bayesian networks preserving privacy for personalised medical applications

Apprentissage fédéré de réseaux bayésiens préservant la confidentialité dans le cadre d’applications médicales personnalisées L’apprentissage fédéré permet d’entraîner des modèles d’apprentissage automatique sur plusieurs ensembles de données décentralisés sans partager les données brutes, répondant ainsi aux préoccupations critiques en matière de confidentialité dans le domaine de la santé. Les réseaux bayésiens (RB) sont des modèles probabilistes qui ont prouvé leur valeur dans la modélisation de dépendances complexes. Ils ont la particularité d’être grandement interprétables, ce qui est crucial lors du traitement de données médicales, car cela permet aux experts médicaux de comprendre facilement les modèles construits. Cette thèse étudie l’intégration des réseaux bayésiens dans un cadre d’apprentissage fédéré, en mettant l’accent sur la préservation de la confidentialité. Une première proposition combine les réseaux bayésiens avec des préoccupations statistiques en apprentissage fédéré telles que l’apprentissage multitâches et l’apprentissage par transfert. Elle consiste en une extension d’un algorithme efficace de découverte de structure RB, MMHC, à un contexte multi-tâches (MT). Pour évaluer cette approche, nous proposons une procédure pour générer des benchmarks MT à partir de n’importe quel modèle de référence. Enfin, nous considérons les contraintes de confidentialité différentielle pour rendre l’algorithme d’apprentissage des RBs respectueux de la vie privée.