PR32 INCYBER Former une IA sans confiance comment la décentralisation, le MPC et le ZK réinvente
Actualité

PR32 INCYBER Former une IA sans confiance comment la décentralisation, le MPC et le ZK réinvente

artia13



L’apprentissage fédéré (FL) permet d’entraîner des modèles localement sans centraliser les données, mais il reste vulnérable aux attaques (empoisonnement, inférence) et dépend d’un serveur central. Nous proposons une architecture décentralisée éliminant ces faiblesses via trois types de participants : des appareils entraînant des modèles locaux, des clusters agrégateurs et des nœuds blockchain assurant une validation par consensus.

Les mises à jour des modèles sont validées via une blockchain privée, supprimant les points de défaillance uniques et renforçant la résilience aux pannes et aux comportements malveillants. Le calcul multipartite sécurisé (MPC) protège les modèles contre les attaques par inférence : les paramètres sont fragmentés et partagés dans le cluster avant d’être recombinés, empêchant leur reconstitution par un acteur unique.

Les tests montrent que cette approche maintient une précision élevée même sous attaque. L’intégration des preuves à divulgation nulle (ZKML) garantit une vérification des modèles sans exposer de données sensibles, ouvrant la voie à une IA sécurisée pour les secteurs réglementés.

Allez à la source

artia13

Depuis 1998, je poursuis une introspection constante qui m’a conduit à analyser les mécanismes de l’information, de la manipulation et du pouvoir symbolique. Mon engagement est clair : défendre la vérité, outiller les citoyens, et sécuriser les espaces numériques. Spécialiste en analyse des médias, en enquêtes sensibles et en cybersécurité, je mets mes compétences au service de projets éducatifs et sociaux, via l’association Artia13. On me décrit comme quelqu’un de méthodique, engagé, intuitif et lucide. Je crois profondément qu’une société informée est une société plus libre.