AVIS DE SOUTENANCE de Madame Reem NABHA

L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Madame Reem NABHA

Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à l’Institut Polytechnique de Paris Télécom SudParis en :

Réseaux, Informations et Communications

« Préservation de la vie privée à l’aide de l’apprentissage fédéré décentralisé pour les systèmes de santé »

le VENDREDI 20 NOVEMBRE 2026 à 9h30

à

Auditorium, Doctoral School of Science & Technology, Lebanese University
Lebanese University, Hadath Campus, Lebanon

https://teams.microsoft.com/meet/3852974113189337?p=U7My2TNcnkPFfSrKbU

Meeting ID: 385 297 411 318 933 7

Passcode: iz2qk6SP

Membres du jury :

M. Anis LAOUITI, Professeur, Télécom SudParis – SAMOVAR, Institut Polytechnique de Paris, FRANCE – Directeur de thèse
Mme Tara ALI-YAHIYA, Maîtresse de conférences, Université Paris-Saclay, FRANCE – Rapporteur
M. Abbass NASSER, Maître de conférences, Holy Spirit University of Kaslik (USEK), Lebanon, LIBAN – Rapporteur
M. Mohammad BEYROUTI, Enseignant-Chercheur, Université de Technologie de Troyes (UTT) – Laboratoire LIST3N, FRANCE – Examinateur
M. Riadh DHAOU, Professeur des universités, Toulouse INP – ENSEEIHT / IRIT, France, FRANCE – Examinateur
Mme Zainab ASSAGHIR, Professeur, Lebanese University – Faculty of Science, LIBAN – Examinateur
M. Abed Ellatif SAMHAT, Professeur, Lebanese University – Faculty of Engineering, LIBAN – Directeur de thèse

« Préservation de la vie privée à l’aide de l’apprentissage fédéré décentralisé pour les systèmes de santé »

présenté par Madame Reem NABHA

Résumé :

Les systèmes de santé numériques s’appuient de plus en plus sur des données distribuées et sur l’apprentissage automatique afin de soutenir le diagnostic et la prise de décision, tandis que la sensibilité des informations médicales fait de la préservation de la confidentialité un enjeu majeur. L’apprentissage fédéré (Federated Learning, FL) permet l’entraînement collaboratif de modèles sans échange de données brutes, mais les approches fédérées centralisées conventionnelles dépendent encore d’un serveur central d’agrégation et nécessitent souvent l’échange d’une quantité importante d’informations sur le modèle, ce qui soulève des défis en matière de confidentialité, de sécurité et de communication. Cette thèse propose un cadre d’apprentissage fédéré décentralisé avec partage partiel de la tête de classification (Decentralized Federated Learning with Partial Head Sharing, DFL-PHS), conçu pour l’apprentissage collaboratif dans des environnements sensibles à la confidentialité. Au lieu de partager l’ensemble des paramètres du modèle, les participants n’échangent qu’une proportion configurable des poids des dernières couches denses, tandis que les données brutes, les couches d’extraction de caractéristiques et les paramètres non partagés restent locaux. Chaque participant effectue l’entraînement local, échange directement des mises à jour partielles avec ses pairs et réalise localement une agrégation pondérée en fonction de la taille des ensembles de données, sans recourir à un serveur central. Le cadre est principalement évalué sur le jeu de données COVID-19 Radiography à l’aide d’un modèle basé sur MobileNetV2. L’apprentissage local, l’apprentissage fédéré centralisé, l’entraînement sur un site unique et DFL-PHS sont comparés selon différentes tailles de jeux de données et des taux de partage de paramètres de 25 %, 50 %, 75 % et 100 %. Les expériences évaluent les performances prédictives ainsi que la quantité d’informations du modèle échangées. La confidentialité et la sécurité sont également étudiées à travers des attaques d’inférence d’appartenance, d’inversion de gradient, d’inversion de poids, de retournement d’étiquettes et d’empoisonnement des poids, afin d’analyser le comportement de DFL-PHS face à des menaces d’inférence et d’intégrité. Afin d’examiner si le principe sous-jacent de partage partiel reste applicable au-delà de l’imagerie médicale, le cadre est également évalué sur le jeu de données UNSW-NB15 de détection d’intrusions réseau, à l’aide d’un modèle de représentation tabulaire et d’une tête de classification dense. Cette expérimentation inter-domaines examine le cadre avec une modalité de données différente, une architecture de modèle différente et une distribution hétérogène des données entre les clients. Dans l’ensemble, cette thèse montre qu’une collaboration décentralisée avec partage partiel de la tête de classification peut maintenir un apprentissage collaboratif efficace tout en réduisant la dépendance à un serveur central et en limitant la quantité d’informations du modèle exposées lors des communications. Les résultats soulignent également que le partage partiel ne constitue pas une garantie formelle de sécurité et que la confidentialité ainsi que la robustesse doivent être évaluées explicitement dans des conditions adversariales réalistes.
Abstract :

Digital healthcare systems increasingly rely on distributed data and machine learning to support diagnosis and decision-making, while the sensitivity of medical information makes privacy preservation a major concern. Federated Learning (FL) enables collaborative model training without exchanging raw data, but conventional centralized FL still depends on a central aggregation server and often requires substantial model-information exchange, creating privacy, security, and communication challenges. This thesis proposes Decentralized Federated Learning with Partial Head Sharing (DFL-PHS), a peer-to-peer framework designed for privacy-sensitive collaborative learning. Instead of sharing complete model parameters, participants exchange only a configurable proportion of the weights from the final dense layers, while raw data, feature-extraction layers, and non-shared parameters remain local. Each participant performs local training, exchanges partial updates directly with its peers, and carries out dataset-size weighted aggregation locally without relying on a central server. The framework is primarily evaluated on the COVID-19 Radiography Dataset using a MobileNetV2-based model. Local Learning, Centralized Federated Learning, Single-Site Training, and DFL-PHS are compared across different dataset sizes and parameter-sharing ratios of 25%, 50%, 75%, and 100%. The experiments assess predictive performance together with the amount of model information exchanged. Privacy and security are further investigated through membership inference, gradient inversion, weight inversion, label flipping, and weight poisoning attacks, allowing the behavior of DFL-PHS to be examined under both inference and integrity threats. To investigate whether the underlying partial-sharing principle remains applicable beyond medical imaging, the framework is also evaluated on the UNSW-NB15 network intrusion detection dataset using a tabular representation model and a dense classification head. This cross-domain experiment examines the framework under a different data modality, model architecture, and heterogeneous client distribution. Overall, the thesis shows that decentralized collaboration with partial head sharing can maintain effective collaborative learning while reducing central-server dependency and limiting the amount of model information exposed during communication. The results also emphasize that partial sharing is not a formal security guarantee and that privacy and robustness must be evaluated explicitly under realistic adversarial conditions.