Paradigme d'entraînement où le modèle est amélioré sur des données distribuées sans que celles-ci ne quittent leur source, préservant la confidentialité des données.
L'apprentissage fédéré permet d'entraîner un modèle collectif à partir de données réparties sur plusieurs noeuds, appareils ou organisations, sans centraliser les données brutes. Chaque participant entraîne une copie locale du modèle sur ses propres données, puis ne transmet que les mises à jour des poids, appelées gradients, à un serveur d'agrégation. Ce serveur combine les gradients reçus pour améliorer le modèle global, qui est ensuite redistribué. La donnée brute ne sort jamais de son environnement d'origine. En actuariat et en assurance, l'apprentissage fédéré permet à plusieurs compagnies de former un modèle de scoring mutuel sans partager leurs portefeuilles confidentiels, ou à un réassureur de construire un modèle de catastrophe commun avec ses cédantes. Les limites sont bien documentées : les gradients eux-mêmes peuvent, dans certaines conditions, être inversés pour reconstruire partiellement les données d'entraînement, ce qui justifie de combiner l'apprentissage fédéré avec la differential privacy. Par ailleurs, les attaques par empoisonnement des gradients constituent un vecteur de vulnérabilité spécifique à cette architecture. La réglementation financière européenne, notamment DORA, pousse les acteurs à privilégier ce type d'architecture pour les modèles sensibles.
Cinq assureurs européens souhaitent améliorer leur modèle de détection de fraude automobile sans partager leurs données clients. Ils mettent en oeuvre un schéma d'apprentissage fédéré : chaque assureur entraîne localement le modèle sur ses sinistres, transmet les gradients chiffrés à un agrégateur neutre, et reçoit en retour un modèle consolidé plus performant qu'aucun modèle individuel. Aucune donnée personnelle ne sort du périmètre de chaque compagnie.
federated learning, apprentissage fédéré, entraînement distribué préservant la vie privée, federated ML