Cet article propose une méthode d'apprentissage fédéré basée sur un modèle de référence afin d'améliorer les performances des modèles d'apprentissage fédéré (AF). L'apprentissage fédéré existant présente des avantages en termes de protection de la vie privée, mais présente des limites : ses performances sont insuffisantes et il est difficile de répondre aux diverses demandes des utilisateurs. La méthode proposée, dérivée de l'apprentissage par transfert bayésien efficace en termes de paramètres, surmonte l'oubli catastrophique qui se produit à chaque tour en utilisant un modèle de référence incluant le terme de proximité optimal et intégrant les paramètres du modèle précédent. Elle permet ainsi d'obtenir des performances de modèle élevées et un faible coût de calcul client.
