Cet article étudie l'apprentissage fédéré préservant la confidentialité (PPFL), qui entraîne un modèle global à partir de données provenant de plusieurs clients tout en préservant la confidentialité. Pour surmonter les limites des protocoles PPFL existants, telles que le manque de précision, la nécessité de partager des clés et la nécessité de coopérer lors de la génération ou du déchiffrement des clés, nous proposons un nouveau protocole PPFL utilisant des réseaux neuronaux. Ce protocole intègre des réseaux antagonistes homomorphes (HAN) intégrant un schéma de chiffrement hybride agrégable adapté aux exigences du PPFL. Il effectue des tâches similaires au chiffrement homomorphe multi-clés (MK-HE) tout en résolvant les problèmes de distribution de clés et de déchiffrement collaboratif. Les résultats expérimentaux démontrent que les HAN sont robustes aux attaques de confidentialité, présentent une perte de précision minimale (jusqu'à 1,35 %) par rapport à l'apprentissage fédéré non préservant la confidentialité, et permettent une augmentation de 6 075 fois de la vitesse d'agrégation du chiffrement par rapport aux schémas MK-HE existants, mais avec une augmentation de 29,2 fois de la surcharge de communication.
