Titre de projet de fin d’études: Développement d’un système de recommandation éthique basé sur l’apprentissage fédéré pour la protection de la vie privée des utilisateurs dans les applications mobiles multi-domaines.

Project Abstract

Ce travail présente le développement d’un système de recommandation éthique fondé sur l’apprentissage fédéré afin de protéger la vie privée des utilisateurs dans des applications mobiles multi-domaines. L’objectif est de concevoir une plateforme capable de générer des suggestions personnalisées sans centraliser les données sensibles, en s’appuyant sur des techniques d’apprentissage fédéré, d’agrégation sécurisée et d’évaluation éthique des algorithmes. Le cadre proposé intègre des mécanismes de confidentialité différentielle, des protocoles cryptographiques légers et des politiques de consentement conformes aux réglementations sur la protection des données, afin de limiter les risques d’exposition ou de réidentification des utilisateurs. La méthodologie combine une architecture client-serveur décentralisée avec une orchestration fédérée robuste, où les clients entraînent localement des modèles et transmettent des mises à jour agrégées et anonymisées. Des algorithmes d’agrégation sécurisée, tels que FedAvg modifié et des variantes robustes contre les clients malveillants, sont adoptés pour assurer la convergence du modèle sans exposer les données brutes. En parallèle, un cadre éthique indépendant évalue les biais potentiels, les impacteurs socio-éthiques et les garanties de non-discrimination des recommandations, tout en préservant l’utilité pour l’utilisateur et la diversité des parcours utilisateurs. L’évaluation empirique se déploie sur plusieurs domaines d’applications mobiles (par exemple, santé, mobilité, shopping et contenu média) afin de mesurer la qualité des recommandations, la robustesse aux attaques d’inférence et le coût computationnel et énergétique. Des métriques multi-objectifs sont utilisées, combinant précision, rappel, couverture des préférences, latence, consommation de ressources et indices d’équité et de transparence. Des expériences simulées et des tests en conditions réelles sur des ensembles de données synthétiques et anonymisés permettent d’étudier l’impact des techniques de confidentialité et des politiques de consentement sur la performance du système. Le travail explore l’intégration de méthodes de contrôle d’accès contextuel, de traçabilité des décisions et de journalisation auditable afin de favoriser la transparence et la responsabilisation. Des scénarios d’attaque courants (reconstruction de données, ré-identification, fuite locale de gradients) sont examinés et des contre-mesures adaptatives sont proposées pour préserver l’intégrité du système. Une analyse comparative avec des approches centralisées et d’autres paradigmes de fédération est réalisée pour démontrer les gains en respect de la vie privée sans compromettre la qualité des recommandations. Les contributions clés incluent (i) une architecture fédérée optimisée pour les applications mobiles multi-domaines, (ii) un cadre éthique d’évaluation continue des algorithmes, (iii) des mécanismes de confidentialité et de sécurité intégrés dès la conception, et (iv) une méthodologie d’évaluation exhaustive mêlant performance, coût et équité. Les résultats démontrent que le système peut offrir des recommandations pertinentes tout en assurant une protection renforcée des données personnelles et une traçabilité des décisions, ouvrant la voie à une adoption responsable des systèmes de recommandation intelligents dans des environnements mobiles sensibles.

Project Overview

What This Project Is About

---

The project explores how to build a personalized recommendation system that respects user privacy. It focuses on using federated learning, a way for devices to learn from data without sending raw information to a central server, in mobile apps that span multiple domains (e.g., shopping, social media, and travel).

---

---

The Problem It Addresses

---

Many recommendation systems collect large amounts of personal data, raising privacy concerns and regulatory risks. Central servers can also create single points of failure or bias. This project investigates how to deliver useful recommendations while keeping user data on devices and reducing cross-domain privacy risks.

---

---

Objectives of the Project

---

1. Understand the basics of recommender systems and federated learning.
2. Design a multi-domain recommendation workflow that preserves privacy.
3. Implement a simple prototype that trains locally and aggregates models securely.
4. Evaluate utility (recommendation quality) and privacy trade-offs.
5. Identify practical challenges and propose improvements for real-world use.

---

---

What You Will Do Step by Step

---

1. Review literature on recommender systems and federated learning.
2. Define a dataset or simulated data across multiple domains with privacy constraints.
3. Set up a lightweight local model on mobile-like devices.
4. Develop a server-side aggregation protocol that combines updates without exposing data.
5. Experiment with different privacy settings and measure performance.
6. Analyze results, discuss limitations, and suggest enhancements.

---

---

Expected Outcome

A functional, privacy-preserving multi-domain recommender prototype demonstrating that useful recommendations can be produced without sharing raw user data, along with an evaluation report on privacy-utility trade-offs and practical deployment considerations.