Apprentissage distribué, réseaux et edge

Ce dossier rassemble dix preprints qui n'appartiennent pas au même courant de recherche. Une partie traite d'apprentissage fédéré et d'estimation distribuée : comment plusieurs sites, clients ou nœuds apprennent ensemble sans centraliser leurs données. L'autre traite de systèmes embarqués et de réseaux : quel modèle tient sur un accélérateur contraint, quelle simulation radio reste fidèle, comment un agent traduit une demande de service en décision de routage. Il n'y a pas de thème unique ici, et prétendre le contraire masquerait ce qui est réellement intéressant.

Ce qui relie ces deux familles est une contrainte commune plutôt qu'une méthode. Dans tous ces travaux, la ressource rare n'est pas le calcul mais le lien : bande passante entre groupes de GPU, autorisation de sortie entre hôpitaux, mesures manquantes dans un réseau de capteurs, mémoire d'un module Jetson, ressources du sidelink partagé entre véhicules, fenêtre de connectivité d'un drone. Chaque papier décide ce qui circule, à quelle fréquence, et sous quelle garantie. Les techniques diffèrent, la question posée se ressemble.

Le lecteur en retire deux choses. D'abord une cartographie des arbitrages concrets : pondérer des clients ou robustifier leurs distributions, fédérer des groupes de shards ou synchroniser à plat, distiller un modèle ou retenir une règle spectrale simple. Ensuite une liste de limites que les sources signalent elles-mêmes, souvent plus informative que les chiffres : ces travaux sont en grande majorité des simulations, des testbeds ou des architectures de référence, pas des déploiements validés.

Rendre le federated learning robuste à l'incertitude des clients

« Distributionally Robust Federated Learning with Multi-Source Data » part d'une double ignorance. Chaque client n'observe qu'un échantillon local, donc sa distribution est mal estimée ; et la proportion réelle des clients dans la population cible peut elle-même être inconnue. Le cadre traite les deux séparément. Chaque distribution locale est placée dans une boule de Wasserstein, puis l'ensemble des mélanges possibles entre clients est considéré à son tour.

Le problème ainsi posé, nommé MW-DRO, cherche une décision qui minimise le pire coût attendu sur cette union de mélanges. Les auteurs dérivent une garantie de couverture à échantillon fini et une borne de performance hors échantillon, sous des hypothèses de support compact et de régularité. Une relaxation pénalisée rend le problème calculable, dans l'algorithme qu'ils appellent BiDRO-FL. Celui-ci alterne une mise à jour de la décision et une mise à jour des poids de clients, avec estimation des gradients par échantillonnage local. Le théorème de convergence annoncé donne un écart en O(T⁻¹ᐟ² + ε), où ε représente notamment l'erreur d'estimation ou d'approximation retenue dans le cadre.

La lecture éditoriale de Vibarche est que pondérer un client ne corrige pas une distribution locale mal estimée : ce sont deux opérations distinctes, et les confondre rend la prudence du modèle illisible. La démonstration empirique reste modeste. Elle repose sur une régression linéaire fédérée synthétique avec cinq clients et des tailles d'échantillon de 30, 40, 80, 150 et 300. Les garanties supposent des conditions mathématiques sur les pertes, les supports et les distances entre distributions. Les auteurs identifient comme suite des algorithmes plus efficaces en communication et moins dépendants d'un serveur central.

Ajouter une hiérarchie fédérée à l'entraînement shardé

Le sharded data parallelism répartit paramètres et données entre GPU, ce qui résout un problème de mémoire mais en crée un de communication. Ses synchronisations deviennent coûteuses dès que le cluster mélange plusieurs niveaux d'interconnexion. Le goulot n'est plus le calcul des gradients mais le volume d'échanges qui traverse les groupes de machines.

Gianluca Mittone et Marco Aldinucci proposent FL+FSDP et FL+HSDP. Les GPU sont organisés en groupes de fédération ; chaque groupe exécute son entraînement shardé en interne, puis les groupes échangent entre eux des agrégations inspirées de FedAvg. Cette hiérarchie réduit le trafic inter-groupe et borne la croissance du batch global par la taille des groupes, ce qui est un effet secondaire utile plutôt qu'un objectif annexe.

Sur un pré-entraînement Llama3.1 8B exécuté sur 512 GPU A100, les auteurs rapportent jusqu'à 8,04 fois plus de traitement de données et une perplexité d'évaluation 4,48 fois plus faible que les méthodes comparées, à hyperparamètres identiques. L'analyse de communication accompagnant les expériences vise à établir que le gain vient de la topologie d'échanges, et non d'un changement de modèle.

La portée de ce résultat dépend du réseau, du découpage des groupes, de la fréquence d'agrégation et de la charge Llama étudiée. Une hiérarchie qui réduit le trafic peut aussi modifier la dynamique de convergence, et la source ne prétend pas avoir isolé cet effet sur d'autres charges. Les auteurs prévoient d'étendre l'approche à d'autres axes de parallélisme et d'automatiser le réglage selon la topologie. Le document est un preprint ArXiv.

FL-Net veut rendre la recherche clinique fédérée traçable

« Multi-center Medical Data Mining with FL-Net » attaque un décalage précis. Le federated learning est le plus souvent évalué en simulation, alors qu'une étude clinique multicentrique doit en plus gérer l'harmonisation des schémas, la découverte des patients éligibles, les autorisations et l'audit. Le cadre proposé conserve les données patient dans les institutions participantes et organise tout le reste autour de cette contrainte.

Les auteurs structurent leur analyse en cinq besoins : harmonisation sémantique et syntaxique, contrôles de confidentialité et de sécurité, workflows réutilisables et versionnés, vérification de la faisabilité avant l'entraînement, traçabilité des approbations et des sorties. FL-Net combine pour cela des ontologies, des schémas de données, des requêtes de découverte et des outils exécutés dans des environnements isolés.

Le mécanisme le plus concret est l'ordre des opérations. Une requête de découverte est résolue localement contre le schéma de chaque site, et le réseau renvoie des comptes contrôlés, avec suppression ou arrondi des petits effectifs, avant qu'un projet ne soit autorisé. Les workflows et les modèles sont ensuite versionnés. Le résumé du preprint annonce une évaluation allant jusqu'à 50 clients concurrents et un cadre en développement pour plus de 800 000 patients dans 10 hôpitaux et 9 pays.

La lecture de Vibarche est qu'un orchestrateur de recherche clinique ne doit jamais confondre accès à une métrique agrégée et accès aux dossiers : découverte, autorisation, exécution et archivage sont quatre étapes, chacune avec sa preuve et sa politique de divulgation. Ce que décrit la source est une architecture et une évaluation de workflows, pas une preuve d'efficacité clinique. Les résultats annoncés dépendent des schémas et des règles locales.

COIN-GP : apprendre en réseau malgré les mesures manquantes

Dans un réseau de robots ou de capteurs, chaque nœud ne voit qu'une partie de l'état global et dispose souvent de trop peu de données pour apprendre une dynamique non linéaire. COIN-GP associe un observateur dynamique et une régression par processus gaussien distribuée en ligne. Les nœuds échangent leurs prédictions, ce qui permet à ceux dont les mesures ou les données d'entraînement sont insuffisantes de s'appuyer sur leurs voisins.

Le problème est formulé sur des systèmes de Lur'e discrets, où une partie linéaire connue est couplée à une fonction non linéaire inconnue. Une stratégie de collecte sélectionne les données accessibles et fournit des conditions suffisantes de faisabilité. Chaque processus gaussien produit une prédiction accompagnée d'une borne d'erreur déterministe ; la coopération agrège les informations des voisins pendant que l'observateur reconstruit l'état. Le papier dérive une borne combinée qui tient compte à la fois de l'erreur d'estimation d'état et de l'erreur de modèle.

Les simulations comparent COIN-GP à des méthodes de processus gaussiens distribués existantes et rapportent une meilleure estimation dans les scénarios où les observations sont partielles et où certains sous-systèmes n'ont pas de modèle GP local complet. L'apport n'est donc pas un score unique mais un lien explicite entre données collectées, coopération et borne d'erreur, ce qui permet de discuter la fiabilité d'une estimation avant d'en faire une commande.

Les résultats numériques restent des simulations. Ils supposent un graphe de communication, des matrices connues, des conditions de collectabilité et la disponibilité des mesures. Les processus gaussiens deviennent coûteux avec la taille du réseau, et le coût de communication reste à mesurer. Délais, pertes de messages et changements de topologie ne sont pas couverts.

Distiller un modèle satellite de crues jusqu'à l'edge

Fabian Schmalstieg, Karsten Müller et Wojciech Samek distillent le modèle géospatial Prithvi-EO-2.0, environ 300 millions de paramètres, vers un étudiant EfficientViT-B0 d'environ 0,7 million de paramètres. L'objectif est de conserver une segmentation des zones inondées utilisable sur du matériel edge contraint, là où le modèle de fondation ne tient pas.

Le professeur a d'abord été ajusté sur 252 scènes Sen1Floods11 annotées manuellement, puis il supervise l'étudiant sur des images Sentinel-2 non annotées. Avec un pool porté à 2 500 scènes, l'étudiant flottant atteint un IoU eau de 0,787 sur le test Sen1Floods11, contre 0,822 pour le professeur. Le modèle quantifié tient dans un moteur INT8 de 1,5 Mo et atteint 5,57 ms de calcul GPU par image 512×512 sur Jetson Xavier NX.

Le point le plus instructif du papier est ailleurs. Sur deux benchmarks externes propres, un seuil MNDWI fixe est compétitif avec les modèles appris. Les auteurs en tirent une interprétation prudente : ces jeux testent la généralisation, ils ne démontrent pas qu'un modèle appris domine toujours une règle spectrale. Vibarche y voit une bonne pratique à généraliser, de même qu'un déploiement edge devrait conserver la provenance des pseudo-labels, la version du professeur, le schéma de quantification et la latence mesurée.

Les résultats dépendent des scènes Sentinel-2, des benchmarks et du matériel testés. L'étudiant reste inférieur au professeur sur certains jeux, notamment WorldFloods-v2. La latence annoncée est une mesure sur Jetson Xavier NX, pas une garantie pour tout dispositif edge ni pour toute situation de crue.

RISC-V et machine learning : de l'instruction jusqu'à l'edge

Shriman Keshri, Apparna Singh, Chinmaya Kumar Palo, Shreya Adya et Subhankar Mishra proposent une vue d'ensemble du lien entre l'ISA ouverte RISC-V et le machine learning. Leur survey suit un chemin continu, de l'extension d'instructions aux implémentations de cœurs, puis aux compilateurs, aux frameworks et aux applications embarquées.

Le document compare des extensions spécialisées, des architectures adaptatives et modulaires, des optimisations logicielles et des stratégies de déploiement pour l'inférence edge. Il met en avant les enjeux de sécurité, de vérification, d'efficacité énergétique et de fragmentation de l'écosystème. L'intérêt de cette grille est de relier une décision d'ISA à ses conséquences sur le toolchain et sur la charge ML, deux niveaux souvent discutés séparément.

Pour qui doit choisir une cible matérielle, la cartographie suggère quatre compatibilités à vérifier : les opérateurs réellement accélérés, la chaîne de compilation, le modèle de déploiement et les preuves de performance disponibles. Une extension brillante isolément ne compense pas un compilateur immature ou un runtime absent. L'edge AI est souvent racontée comme un duel de puces ; la survey rappelle qu'il s'agit d'un contrat entre matériel, logiciel et application, et qu'un benchmark utile documente le modèle, les kernels, le compilateur, la mémoire et la consommation, pas seulement le débit annoncé.

Il s'agit d'une synthèse de travaux académiques et industriels, pas d'un benchmark contrôlé par les auteurs. Les chiffres cités proviennent de contextes matériels et logiciels hétérogènes et ne sont pas directement comparables sans normalisation. Les quatre directions proposées, à savoir extensions neurales, architectures adaptatives, sécurité et domaines multi-horloges, restent des pistes de recherche.

NS3Learn : remettre la contention radio dans les simulations V2X

Les simulations couplant trafic routier et réseau évaluent les systèmes de sécurité connectés à partir des messages effectivement reçus. Les modèles de canal hérités d'IEEE 802.11p représentent la propagation, mais pas toujours la compétition pour les ressources du sidelink 5G NR Mode-2 : collisions, périodes half-duplex, capture et décodage. Un canal trop fiable produit des conclusions de sécurité trop optimistes.

NS3Learn distille ces pertes depuis des traces ns-3 5G-LENA dans une cascade fermée utilisable dans OMNeT++, Veins et SUMO. Chaque étape garde un mécanisme nommé, au lieu de remplacer toute la pile protocolaire par une boîte noire. Les auteurs s'appuient sur 10,5 millions d'issues de réception produites par ns-3 5G-LENA, six niveaux de pénétration de 1 à 100 % et cinq graines par condition, puis testent deux réseaux urbains et un corridor. La livraison de référence baisse de 0,952 à 0,188 quand la densité augmente.

NS3Learn atteint une déviation absolue moyenne de 0,064 sur les labels vus, contre 0,441 pour la référence analytique combinée et 0,545 pour le canal non modifié. Sur un corridor inédit, l'erreur augmente d'environ 20 %, à 0,124 dans la condition rapportée. Changer uniquement le modèle de réception inverse la tendance de vitesse simulée et multiplie par plus de deux le freinage dur dans le scénario présenté. Sous une attaque de flooding à 1000 paquets par seconde, NS3Learn enregistre une hausse de perte côté canal de 0,176 dans la condition où la référence ns-3 réagit le plus, alors que les deux modèles de comparaison ne portent pas ce mécanisme.

Cette déviation n'est pas une validation indépendante de la physique. Changer de numérologie, de fréquence de messages ou de pool de ressources demande une nouvelle distillation.

RF-fingerprinting : calibrer le risque de manquer un émetteur

Le RF-fingerprinting identifie un émetteur à partir des imperfections de son matériel radio. Le cas de laboratoire suppose un seul émetteur à la fois ; le cas réel voit plusieurs transmissions se chevaucher dans le temps et la fréquence. Ce preprint traite donc la tâche comme une classification multi-label et non comme le choix d'une classe unique.

Les auteurs utilisent le testbed POWDER avec six émetteurs associés à des transmissions 802.11a, 4G LTE et 5G NR. Le jeu PCP annoncé regroupe 768 signaux, collectés à 2,425 GHz avec un échantillonnage de 33,33 MS/s et 20 millions d'échantillons par signal. Un CNN 1D extrait les caractéristiques du signal reçu.

La partie décisionnelle est séparée du modèle. Les probabilités ne deviennent pas directement des alertes : les seuils sont calibrés par un contrôle du risque conforme, de façon à encadrer le nombre moyen de faux négatifs. Après calibration, les résultats rapportés vont jusqu'à 97 % et descendent à 73 % selon les conditions de canal. Les auteurs indiquent que le rappel micro suit approximativement la cible de faux négatifs, et que la calibration reste robuste à une interférence hors distribution dans leur protocole, représentée par un émetteur tenu hors entraînement.

Cette séparation entre score, règle de décision et garantie statistique facilite l'audit : une alerte dépend du seuil et du jeu de calibration autant que du réseau. Le testbed, les protocoles, les gains radio et le nombre d'occupants du canal ne représentent pas tous les environnements, et les auteurs signalent une perte de précision avec l'interférence hors distribution. Une politique opérationnelle doit être recalibrée sur ses propres signaux et coûts d'erreur.

Traduire une demande de service en politique de routage

Les constellations de satellites LEO changent de topologie et de capacité en permanence. Une requête formulée en langage naturel doit donc être traduite en contraintes de service, puis en décision de routage, sur un réseau qui ne reste pas identique entre les deux. Bowen Lu, Mugen Peng, Yaohua Sun, Hongyu Wang, Kerui Guo et Wenjia Xu présentent STR-Agent pour relier ces étapes.

Le module de perception convertit la demande en sémantique de routage structurée. L'agent exécute ensuite des outils sur l'état du réseau. Un module de réflexion ajuste la correspondance entre service et politique à partir de la congestion courante et des résultats historiques, plutôt que d'optimiser un objectif fixe. Les auteurs entraînent aussi un modèle de perception spécialisé et un jeu de données de fine-tuning orienté services LEO.

Dans une constellation Walker-Delta simulée, le résumé rapporte une réduction du délai de bout en bout allant jusqu'à 60 % par rapport à DQ-Dijkstra. L'accuracy de compréhension d'intention passe de 45,4 % à 92,45 % après le fine-tuning supervisé, et le module de réflexion réduit encore le délai de 120 ms à 600 Mbps dans l'expérience rapportée.

Vibarche retient une précaution d'ingénierie : un agent réseau devrait conserver la demande originale, sa représentation structurée, la politique choisie et le résultat observé, faute de quoi rien ne distingue un gain de délai d'une interprétation moins fidèle du service. La réflexion historique mérite aussi d'être bornée, et les règles de capacité, de sécurité et de priorité de rester dans un contrôleur indépendant. Les résultats viennent d'une simulation et d'un scénario de constellation précis. Le document est un preprint ArXiv.

Associer raisonnement symbolique et autonomie d'un drone connecté

Un UAV opérant à basse altitude compose avec des observations incomplètes, un environnement qui change et des interruptions de réseau. « Neuro-Symbolic Agentic AI for Networked Low-Altitude UAVs » étudie une architecture qui combine ancrage neuronal, raisonnement symbolique et interaction agentique en boucle fermée. Le but annoncé est de rendre les décisions plus adaptatives et plus vérifiables, sans supposer qu'un modèle génératif saura généraliser à toute situation nouvelle.

La proposition relie gestion des tâches et objectifs, planification neuro-symbolique, vérification et métacognition, exécution des compétences, interaction réseau, connaissances partagées et mémoire. Les compétences réutilisables sont associées à des conditions de preuve : une mission ne se termine pas parce qu'une action a été tentée, mais parce qu'un résultat attendu est établi.

Les auteurs illustrent l'architecture dans LAESim avec une inspection de feu urbain. Le drone y coordonne la collecte, l'accès au cloud sous connectivité intermittente, la réutilisation d'une compétence d'envoi d'image vérifiée, et la vérification d'une condition d'évidence avant de terminer. Le résumé présente ce cas comme une illustration du potentiel de la méthode, pas comme une campagne comparative établissant une supériorité générale.

La lecture éditoriale de Vibarche est qu'une compétence devrait être une unité versionnée, avec préconditions, sortie attendue et preuve d'exécution. La couche symbolique peut alors refuser une transition quand l'état nécessaire n'est pas établi, et la couche neuronale rester responsable de l'interprétation des observations. Les auteurs demandent encore des travaux sur l'incertitude, l'expansion des connaissances et des compétences, l'auto-surveillance et l'évaluation standardisée en conditions physiques et réseau réalistes. Le cas simulé ne garantit pas la sécurité d'un UAV réel.

Ce qui se recoupe entre ces travaux

Le fil le plus net est la place du lien de communication comme variable de conception. BiDRO-FL et FL-Net limitent ce qui sort des sites, pour des raisons statistiques dans un cas et de gouvernance dans l'autre. FL+FSDP réorganise la topologie des échanges entre groupes de GPU et attribue à cette réorganisation seule un traitement de données jusqu'à 8,04 fois supérieur et une perplexité d'évaluation 4,48 fois plus faible. COIN-GP fait circuler des prédictions entre voisins pour compenser des mesures absentes. NS3Learn montre l'autre face du problème : quand le modèle de canal ignore la contention, la simulation produit une livraison de 0,952 là où la densité la fait tomber à 0,188. Décider ce qui circule et décider comment on le simule sont deux versions de la même question.

Un deuxième recoupement concerne la séparation entre un score et une décision. Le travail sur le RF-fingerprinting calibre explicitement des seuils par contrôle du risque conforme au lieu de convertir une probabilité en alerte, et rapporte des résultats de 97 % à 73 % selon les conditions de canal. L'architecture neuro-symbolique UAV subordonne la terminaison d'une mission à une condition d'évidence, non à une tentative d'action. FL-Net impose des comptes contrôlés avant toute autorisation de projet. STR-Agent va dans le même sens en distinguant perception, outils et réflexion, même si la source ne vérifie pas que la réduction de délai jusqu'à 60 % s'accompagne d'une interprétation fidèle de la demande.

Un point de tension traverse le dossier. Plusieurs papiers obtiennent leurs chiffres en changeant la structure du système plutôt que le modèle, et ces chiffres sont alors liés à une configuration précise. La hiérarchie de FL+FSDP dépend du découpage des groupes et du réseau ; NS3Learn est ajusté aux labels d'une configuration radio et perd environ 20 % de précision sur un corridor inédit ; STR-Agent et l'UAV reposent sur des simulations. Le cas de la distillation edge est le plus franc : un seuil MNDWI fixe est compétitif avec les modèles appris sur deux benchmarks externes, et l'étudiant à 0,787 d'IoU eau reste sous le professeur à 0,822. La survey RISC-V rappelle de même que des chiffres issus de contextes hétérogènes ne se comparent pas sans normalisation.

Ce qui reste ouvert est l'absence presque totale de validation en conditions réelles. BiDRO-FL s'appuie sur une régression synthétique à cinq clients, COIN-GP sur une classe structurée de dynamiques, FL-Net sur une architecture dont les 800 000 patients annoncés relèvent d'un cadre en développement. On ne sait pas comment ces approches se comportent avec des pertes de messages, des délais variables ou des changements de topologie. Deux besoins reviennent chez plusieurs auteurs sans être satisfaits : des algorithmes fédérés plus efficaces en communication et moins dépendants d'un serveur central, et des protocoles d'évaluation standardisés. La face agentique de ces systèmes est traitée dans le dossier agents et architecture d'outils, la question de la calibration dans le dossier évaluation des LLM et incertitude, et la perception embarquée dans le dossier robotique, perception et sim2real.

Sources

• arXiv:2609.20501v1 — Distributionally Robust Federated Learning with Multi-Source Data
• arXiv:2609.20359v1 — Accelerating Sharded Data Parallelism at Scale with Federated Learning
• arXiv:2609.20650v1 — Multi-center Medical Data Mining with FL-Net, A One-stop Shop for Federated Learning
• arXiv:2609.20598v1 — COIN-GP: Cooperative Online Learning in Networked Distributed Systems with Partial Measurements via Gaussian Process Regression
• arXiv:2609.20441v1 — Cross-Architecture Foundation-Model Distillation for Edge Flood Segmentation
• arXiv:2609.20677v1 — RISC-V and machine learning: a survey
• arXiv:2609.20578v1 — NS3Learn: Transferring 5G NR Mode-2 Reception Realism from ns-3 to the Veins/SUMO Stack for Connected-Vehicle Safety Assessment
• arXiv:2609.20765v1 — Calibrated RF-Fingerprinting Under Interference With Heterogeneous Transmission Protocols
• arXiv:2609.20347v1 — STR-Agent: An LLM-Driven Agent for QoS-Aware Routing in LEO Satellite Networks
• arXiv:2609.19961v1 — Neuro-Symbolic Agentic AI for Networked Low-Altitude UAVs