L'apprentissage fédéré face à la diversité du monde réel : application aux flottes hétérogènes de drones pour la sécurité civile. // Federated learning in the face of real-world diversity: application to heterogeneous drone fleets for civil security.

Les progrès de l'IA actuelle amènent à des performances remarquables dans de nombreux domaines mais s'appuie principalement sur la centralisation de grands corpus de données d'apprentissage. Poussé par les enjeux de sécurité, de confidentialité et de frugalité locale, l'apprentissage fédéré est apparu récemment [McMahan2017] comme une alternative permettant à un ensemble de machines physiquement séparée appelées “clients” d'apprendre efficacement un modèle commun, de façon collaborative, localement plus frugale et sans divulguer leurs données.

Cette approche est particulièrement adaptée aux domaines où la confidentialité est critique — santé, finance, mobilité — et où des réglementations comme le RGPD encadrent strictement la circulation des données personnelles. Malgré son potentiel, l'apprentissage fédéré peine encore à franchir le pas vers un usage réel. L'une des raisons critique, partagée avec les approches IA actuelles, est liée à la diversité des sources de données. Les travaux existants se sont principalement intéressés aux propriétés statistiques des données — en particulier à l'hétérogénéité de leurs distributions entre clients — en négligeant les propriétés physiques et instrumentales des systèmes de mesure qui les produisent. Or, dans un scénario réaliste où chaque client collecte ses propres données avec ses propres capteurs aux caractéristiques spécifiques (résolution, sensibilité, spectre, etc.), les méthodes fédérées de l'état de l'art, tout comme l'apprentissage centralisé, ne sont applicables qu'à condition de prétraiter l'ensemble des données pour les ramener à un format commun — au prix d'une perte d'information, de distorsions, et d'un effacement des spécificités locales pourtant porteuses de valeur.

Ce projet de thèse vise à lever ces verrous pour permettre à l'apprentissage fédéré de tirer pleinement avantage des caractéristiques des données locales et ainsi de faciliter sa pertinence et finalement son adoption dans des conditions réelles. Les méthodes développées seront validées sur des jeux de données ouverts puis expérimentalement sur le cas de flottes de drones pour la recherche de personnes en plaines et montagnes. Ce projet pourra s'inscrire dans le cadre du GIS IA et sécurité civile, en cours de finalisation de montage, dont l'USMB est un des membres fondateurs. La validation expérimentale pourra s'inscrire dans la poursuite de collaborations antérieures avec le SDIS74, un service pionnier pour la recherche et le secours de personnes. Ce cas illustratif à impact sociétal clair illustrera l'intérêt de ce projet. Plus précisément, leur flotte de drones, hétérogène, et permettra de valider les approches proposées et pourra être testé par les équipes du SDIS74 pour les missions d'entrainement au secours.

Le travail expérimental mené au sein de l'USMB pourra s'appuyer sur des équipements mutualisés au sein de l'USMBtech, en particulier des drones LISTIC et potentiellement en lien avec la formation Polytech.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Advances in current AI are leading to remarkable performance in many fields but rely primarily on the centralization of large training datasets. Driven by concerns regarding security, privacy, and local resource efficiency, federated learning has recently emerged [McMahan2017] as an alternative that allows a set of physically separate machines, known as “clients,” to efficiently learn a shared model collaboratively, in a more resource-efficient manner locally, and without disclosing their data.

This approach is particularly well-suited to fields where privacy is critical—healthcare, finance, and mobility—and where regulations such as the GDPR strictly govern the flow of personal data. Despite its potential, federated learning still struggles to make the leap to real-world application. One of the key reasons for this is related to the characteristics of the data processed by each client. Existing research has primarily focused on the statistical properties of the data—particularly the heterogeneity of their distributions across clients—while neglecting the physical and instrumental properties of the measurement systems that generate them. However, in a realistic scenario where each client collects its own data using its own sensors with specific characteristics (resolution, sensitivity, spectrum, etc.—state-of-the-art federated methods, just like centralized learning, are only applicable if the entire dataset is preprocessed to bring it into a common format—at the cost of information loss, distortions, and the erasure of local specifics that are nonetheless valuable.

This thesis project aims to overcome these obstacles so that federated learning can fully leverage the characteristics of local data, thereby enhancing its relevance and ultimately facilitating its adoption in real-world conditions. The methods developed will be validated on open datasets and then experimentally tested on fleets of drones used for search and rescue operations. This project could be part of the GIS AI and Civil Security initiative, currently being finalized, of which USMB is a founding member (with LISTIC serving as its representative). The experimental validation could build on previous collaborations with SDIS74, a pioneering service for search and rescue operations in both lowland and mountain areas. This illustrative case with significant societal impact will demonstrate the value of this project. More specifically, their drone fleet, built up over time, is naturally heterogeneous and will allow for the validation of the proposed approaches; it can also be tested by SDIS74 teams for rescue training missions.

The experimental work conducted at USMB will be able to draw on shared equipment within USMBtech, particularly LISTIC drones, and potentially in conjunction with the Polytech training program.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université de Savoie Mont-Blanc

634 Sciences Ingénierie Environnement

Le contrat doctoral fixe une rémunération principale, indexée sur l'évolution des rémunérations de la fonction publique. L'arrêté du 11 octobre 2021 modifiant l'arrêté du 29 août 2016 fixant le montant de la rémunération du doctorant contractuel - Article 1 - L'article 1er de l'arrêté du 29 août 2016 susvisé est remplacé par un article ainsi rédigé : « Art. 1.-La rémunération mensuelle minimale des doctorants contractuels est fixée ainsi qu'il suit, sous réserve des dispositions prévues à l'article 2 du présent arrêté «-à compter du 1er janvier 2026 : 2 300 euros brut». Des heures d'enseignements peuvent être effectuées dans la limite de 64 heures équivalent TD par année universitaire après autorisation du président de l'université et rémunérées au taux fixé pour les travaux dirigés en vigueur. D'autres activités complémentaires au contrat doctoral sont prévues par l'article 5 du décret n° 2009-464 du 23 avril 2009 modifié. La durée totale des activités complémentaires aux activités de recherche confiées au doctorant dans le cadre du contrat doctoral ne peut excéder un sixième du temps de travail annuel. https://www.univ-smb.fr/edsie/doctorat/candidater/