Modélisation thématique décentralisée avec allocation de Dirichlet latente.

Résumé Les réseaux préservant la confidentialité peuvent être modélisés comme des réseaux décentralisés (par exemple, capteurs, objets connectés, smartphones), où la communication entre les nœuds du réseau n'est pas contrôlée par un nœud maître ou central. Pour ce type de réseaux, le problème principal est de rassembler/apprendre des informations globales sur le réseau (par exemple, en optimisant une fonction de coût global) tout en conservant les informations (sensibles) à chaque nœud. Dans ce travail, nous nous concentrons sur les informations textuelles que les agents ne veulent pas partager (par exemple, les messages texte, les courriels, les rapports confidentiels). Nous utilisons les avancées récentes sur l'optimisation décentralisée et les modèles de thèmes pour inférer des thèmes à partir d'un graphe avec une communication limitée. Nous proposons une méthode pour adapter le modèle d'allocation latente de Dirichlet (LDA) à l'optimisation décentralisée et montrons sur des données synthétiques que nous récupérons toujours des paramètres similaires et des performances similaires à chaque nœud qu'avec des méthodes stochastiques accédant à toute l'information du graphe.