Chez Thales, nous sommes fiers de travailler ensemble pour imaginer des solutions innovantes qui contribuent à construire un avenir plus sûr, plus vert et plus inclusif. Un avenir de confiance. Mais ces technologies ne viennent pas de nulle part. L'intelligence humaine est le moteur derrière la technologie qui fait la renommée de Thales. Les projets que nous conduisons sont complexes et nos clients exigeants. Pour répondre aux besoins actuels et futurs de nos clients, nous maîtrisons plus d’une centaine de disciplines, de l’optique à la physique quantique, du traitement du signal à la connectivité et à l’intelligence artificielle. Rejoindre Thales, c’est repousser les limites de la technologie et la mettre au service du progrès et du développement durable de nos sociétés. C’est donc être au cœur d’une formidable aventure technique. Une attention portée à l’équilibre des collaborateurs au service de leur réussite. C’est pourquoi, notamment, nous nous efforçons de créer un environnement de travail accueillant et d’accorder la flexibilité nécessaire à l’équilibre entre vie professionnelle et vie personnelle. Nous savons que cet équilibre est essentiel à votre épanouissement et à la réussite des projets que nous vous confierons. Des parcours professionnels riches. Chez Thales, nous jouons collectif. Ce qui signifie travailler en équipe, côtoyer des experts et donc apprendre et développer ses compétences en permanence tout en faisant bénéficier le Groupe de son savoir-faire. C’est aussi la possibilité d’évoluer, de changer de fonction ou d’activité, voire de pays. Lieu : Palaiseau, France Construisons ensemble un avenir de confiance Thales est un leader mondial des hautes technologies spécialisé dans trois secteurs d’activité : Défense & Sécurité, Aéronautique & Spatial, et Cyber & Digital. Il développe des produits et solutions qui contribuent à un monde plus sûr, plus respectueux de l’environnement et plus inclusif. Le Groupe investit près de 4 milliards d’euros par an en Recherche & Développement, notamment dans des domaines clés de l’innovation tels que l’IA, la cybersécurité, le quantique, les technologies du cloud et la 6G. Thales compte près de 81 000 collaborateurs dans 68 pays. ​ Nos engagements, vos avantages * Une réussite portée par notre excellence technologique, votre expérience et notre ambition partagée * Un package de rémunération attractif * Un développement des compétences en continu : parcours de formation, académies et communautés internes * Un environnement inclusif, bienveillant et respectant l’équilibre des collaborateurs * Un engagement sociétal et environnemental reconnu Votre quotidien Thales Research&Technology, notre centre de recherche dans les domaines matériels, et CortAIx Labs, notre centre de recherche en IA et digital ont pour mission de proposer des innovations de ruptures, de maintenir et d’accroitre l’avance technologique et d’en assurer la compétitivité pour le groupe. Le Tatouage de modèle est une preuve reconnue d’origine des modèles de Machine Learning (ML) qui a récemment été adapté à diverses tâches (segmentation, classification, détection, LLMs, etc.). Dans le contexte de l’apprentissage fédéré, le tatouage ML a été adapté au cadre complexe multi-utilisateurs et multi-propriétaires. Il avait également été rendu compatible avec des mécanismes de préservation de la vie privée, tels que le chiffrement ou la confidentialité différentielle. Alors que le SOTA actuel assure la traçabilité des modèles, la preuve d’intégrité du modèle reste un sujet à explorer. De plus, le tatouage ML peut être considéré comme une charge pour les performances du modèle car certaines procédures d’intégration de tatouage modifieront l’entrainement en insérant plusieurs « portes dérobées légitimes » impactant le comportement du modèle. Les mécanismes cryptographiques classiques tels que la signature ne sont pas bien adaptés au contexte ML, où un modèle peut être affiné sur de nouvelles données et donc changer la signature. Dans cette thèse, nous souhaitons explorer un tatouage qui contribuerait à une meilleure performance du modèle dans un cadre d’apprentissage collaboratif. Nous voulons détecter les participants de l’apprentissage fédéré qui dégradent la performance du modèle lors d’attaques dites byzantines, par empoisonnement ou par l’ajout d’un comportement indésirable. Les méthodes FL robustes aux attaques byzantines existantes visent à éliminer l’impact de ces mises à jour malveillantes en identifiant les valeurs statistiques aberrantes parmi les mises à jour des clients et en filtrant les mises à jour provenant de clients bénins pour une agrégation de modèles globale. Cependant, beaucoup de ces méthodes manquent d’un mécanisme approprié de détection des...