Cet article présente une étude visant à résoudre le problème __T315924_____ de l'apprentissage fédéré (FL), une méthode d'apprentissage qui suscite l'intérêt en matière de confidentialité dans un environnement distribué. Les méthodes d'apprentissage fédéré existantes souffrent d'une dégradation des performances due à l'hétérogénéité des données et à la participation partielle des clients. La technique du momentum, en particulier, est considérée comme une méthode prometteuse pour surmonter l'hétérogénéité statistique, mais les approches existantes ne parviennent pas à surpasser FedAvg en raison du problème des mises à jour biaisées des clients récemment échantillonnés. Dans cet article, nous proposons la méthode du momentum généralisé à boule lourde (GHBM) pour résoudre ce problème et démontrons théoriquement sa convergence dans un environnement avec une hétérogénéité infinie des données et une participation partielle cyclique. De plus, nous présentons une variante adaptative et efficace en termes de communication du GHBM, présentant la même complexité de communication que FedAvg dans un environnement où les clients peuvent conserver leur état. Nous confirmons les résultats théoriques par des expériences approfondies sur des tâches visuelles et linguistiques, et montrons que GHBM améliore considérablement les performances de pointe existantes, en particulier dans les environnements à grande échelle avec une forte hétérogénéité des données et une faible participation des clients.
