Soutenance de thèse – Hibat Allah Kabbaj – 08/10/2026

Titre de la thèse : Apprentissage fédéré robuste et fiable dans les systèmes distribués

Date: jeudi 8 octobre 2026 à 14h00,

Lieu: amphithéâtre Blaise du CERI.

La présentation se déroulera en anglais. 

Le jury sera composé de :

Rapporteurs
• M. Stefano Secci — Professeur des universités, Cnam, France
• M. Jalel Ben Othman — Professeur des universités, University of Paris 13, France

Examinateurs
• M. Mohamed El Kamili — Professeur des universités, Université Hassan II de Casablanca, Maroc
• Mme Tamara Tosic — Ingénieure de recherche, Orange, France
• Mme Hajar Elhammouti — Maîtresse de conférences, Université Mohammed VI Polytechnique, Maroc

Encadrants
• M. Rachid Elazouzi — Professeur des universités, Avignon Université, France
• M. Abdellatif Kobbane — Professeur des universités, ENSIAS, Université Mohammed V de Rabat, Maroc

Résumé :

Aujourd’hui, les données sont rarement disponibles en un seul endroit. Elles sont produites et stockées à travers des appareils personnels, des institutions, des infrastructures et des services, souvent sous des contraintes liées à la confidentialité, à la propriété, à la réglementation ou à l’accessibilité technique. Cette situation a profondément modifié la manière dont les systèmes d’apprentissage automatique peuvent être conçus. Dans de nombreuses applications, l’apprentissage doit être réalisé sans centraliser l’ensemble des données, tout en permettant à plusieurs acteurs de contribuer à un modèle commun. L’apprentissage fédéré répond à ce besoin en permettant un entraînement collaboratif à partir de données conservées localement. Cependant, en évitant l’accès direct aux données, il rend également le processus d’apprentissage plus incertain. Le serveur reçoit des mises à jour de modèles provenant de clients dont les distributions de données, les conditions locales d’entraînement et la fiabilité ne sont pas entièrement observables.

Cette thèse étudie ce défi du point de vue de la robustesse et de la confiance dans l’apprentissage fédéré. Dans des déploiements réalistes, les clients peuvent différer fortement par la nature et la qualité de leurs données, participer de manière irrégulière, ou produire des mises à jour qui ne reflètent pas l’objectif d’apprentissage attendu. Ces mises à jour peuvent résulter d’une hétérogénéité naturelle, de défaillances, d’environnements corrompus ou de comportements adversariaux. Le problème central abordé dans ce travail est donc de construire un modèle global fiable lorsque les contributions utilisées pour l’entraînement ne peuvent pas toutes être considérées comme également fiables. Plus précisément, cette thèse étudie comment le serveur peut inférer la fiabilité des mises à jour des clients et utiliser cette information lors de l’agrégation, sans écarter les connaissances utiles issues de données hétérogènes.

L’objectif de ce travail est de développer des méthodes permettant de rendre ce processus de décision plus robuste face à l’incertitude. La thèse explore la manière dont la fiabilité des clients peut être inférée à partir du comportement des mises à jour de modèles, à la fois individuellement et collectivement, et comment cette information peut guider la construction du modèle global. Plutôt que de considérer la robustesse comme une règle fixe appliquée après l’entraînement local, ce travail l’envisage comme un processus adaptatif intégré dans la boucle d’optimisation fédérée. Il étudie ainsi comment limiter l’influence des contributions non fiables tout en préservant la diversité nécessaire à l’apprentissage dans des environnements hétérogènes.

Au-delà de la conception de mécanismes d’agrégation robuste, cette thèse considère également leur intégration dans un cadre pratique d’apprentissage fédéré. Cette perspective système met en évidence l’importance de rendre le processus d’entraînement observable et interprétable, afin que les décisions d’agrégation ne soient pas traitées comme des opérations opaques. Dans son ensemble, cette thèse contribue au développement de systèmes d’apprentissage fédéré capables de fonctionner sous observabilité partielle et confiance partielle, et mieux adaptés aux environnements distribués réels où les données ne peuvent pas être centralisées et où la fiabilité des clients ne peut pas être supposée.