Cet article offre un aperçu concis et complet de l'apprentissage fédéré (AF), un paradigme émergent de l'apprentissage automatique distribué. L'apprentissage fédéré permet à plusieurs clients, tels que des appareils mobiles, des nœuds périphériques ou des organisations, d'entraîner collaborativement un modèle global partagé sans avoir à centraliser les données sensibles. Cette approche distribuée répond aux préoccupations croissantes en matière de confidentialité, de sécurité et de conformité des données, ce qui la rend particulièrement intéressante dans des secteurs tels que la santé, la finance et les systèmes IoT intelligents. En commençant par l'architecture de base et les protocoles de communication de l'apprentissage fédéré, l'article aborde les principaux défis techniques, notamment le cycle de vie standard de l'AF (y compris l'entraînement local, l'agrégation de modèles et les mises à jour globales), la gestion des données non indépendantes et identiquement distribuées (IID), 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 examinons également les tendances émergentes dans la recherche FL, y compris la FL personnalisée, les paramètres d'appareil à appareil par rapport aux paramètres du monde 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.
