Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization

Cet article propose un cadre d'apprentissage fédéré préservant la confidentialité pour l'optimisation des processus chimiques distribués, répondant aux contraintes de confidentialité des données industrielles. Il permet l'entraînement collaboratif de modèles entre installations en partageant uniquement les paramètres du modèle de manière sécurisée, tout en maintenant la confidentialité.