Cet article offre un aperçu complet de l'apprentissage fédéré (AF), devenu un paradigme innovant dans le domaine de l'apprentissage automatique distribué. L'apprentissage fédéré permet à plusieurs clients, tels que des appareils mobiles, des nœuds périphériques ou des organisations, d'apprendre collaborativement un modèle global partagé sans avoir à centraliser les données sensibles. Cette approche décentralisée est particulièrement intéressante dans des secteurs tels que la santé, la finance et les systèmes IoT intelligents, car elle répond aux préoccupations croissantes en matière de confidentialité, de sécurité et de conformité des données. En partant de l'architecture de base et des protocoles de communication de l'apprentissage fédéré, nous abordons les principaux défis techniques tels que le cycle de vie standard de l'AF (y compris l'apprentissage local, l'agrégation de modèles et les mises à jour globales), la gestion des données non IID (non indépendantes et non identiquement distribuées), la réduction de l'hétérogénéité des systèmes et du matériel, la réduction des frais de communication et la garantie de la confidentialité grâce à des mécanismes tels que la confidentialité différentielle et l'agrégation sécurisée. Nous étudions également les tendances émergentes dans la recherche FL, y compris la FL personnalisée, les paramètres multi-appareils par rapport aux paramètres multi-temps réel, l'intégration avec d'autres paradigmes tels que l'apprentissage par renforcement et l'informatique quantique, résumons les ensembles de données de référence et les mesures d'évaluation couramment utilisés dans les applications du monde réel et la recherche FL, et suggérons des questions de recherche ouvertes et des orientations futures pour développer des systèmes FL évolutifs, efficaces et fiables.
