Vous êtes cordialement invités à assister à la soutenance de Azogagh Sofiane. 

Date et heure : Jeudi 28 mai à 9h30

Sur le zoom suivant : https://uqam.zoom.us/j/88391035927 

Candidate : Azogagh, Sofiane
Programme : Doctorat en informatique, UQAM 

Titre : Apprentissage machine inconscient par chiffrement homomorphe 

Résumé :Nos données personnelles sont partout : dans nos téléphones, nos applications, nos recherches, nos déplacements, nos échanges et maintenant dans les systèmes d’intelligence artificielle. Elles permettent de créer des services plus intelligents et plus personnalisés, mais elles touchent aussi à ce que nous avons de plus privé.Cette thèse part d’une question simple : peut-on utiliser des données sans jamais les voir ?Le chiffrement homomorphe permet déjà d’imaginer une première réponse : il rend possible le calcul directement sur des données chiffrées. Un serveur peut donc effectuer un traitement sans connaître les informations qu’il manipule. Mais il reste un problème plus subtil : même si les données sont cachées, la manière dont un programme se comporte peut parfois trahir quelque chose. Par exemple, les endroits où il lit, les chemins qu’il prend ou les éléments qu’il trie peuvent révéler des indices.Pour répondre à cette limite, cette thèse étudie la construction d’algorithmes inconscients sur données chiffrées, c’est-à-dire des algorithmes dont le comportement observable ne dépend pas des entrées secrètes. Elle introduit RevoLUT, une librairie d’opérations inconscientes fondée sur le chiffrement homomorphe, permettant de manipuler des structures de données chiffrées à travers des accès cachés, des écritures aveugles, des permutations, du comptage et du tri inconscient.Ces primitives sont ensuite appliquée à l’apprentissage automatique, notamment aux arbres de décision, aux k-plus proches voisins et au désapprentissage, c’est-à-dire la possibilité de faire oublier une donnée à un modèle. L’objectif est de montrer qu’une autre forme d’intelligence artificielle est possible : une IA capable d’être utile sans exiger que nos données soient exposées.  

Jury :Quentin Stiévenart, UQÀM (Président)Gildas Avoine, INSA Rennes (Évaluateur externe)Sébastien Canard, Telecom Paris (Évaluateur externe)Marc-Olivier Killijian, UQÀM (Directeur)Sébastien Gambs, UQÀM (Co-Directeur)