Federated Learning & 3D · 2026
PointFed3D — Apprentissage fédéré sur nuages de points 3D
- Contexte
- Mini-projet académique — apprentissage fédéré
- Année
- 2026
- Technologies
- PyTorch · PyTorch Geometric · FeaStNet (GNN) · FedAvg
01
Le défi
Entraîner un classifieur de nuages de points 3D quand les données ne peuvent pas être centralisées : soit réparties entre clients (fédération horizontale), soit séparées par type d'attribut entre deux entités (fédération verticale).
02
La solution
Le dépôt implémente avec FeaStNet (réseau de graphes) cinq configurations : centralisée, FedAvg codé à la main en IID et non-IID sur 4 clients, fédération verticale (géométrie XYZ d’un côté, couleurs RGB de l’autre) et distillation vers un élève réduit.
03
Architecture
ShapeNet via CAP3D
50 classes · 1 024 points · split 70/15/15
Graphe k-NN + FeaStConv
enseignant [64, 128, 256] · élève [32, 64, 64]
FedAvg (4 clients, 20 rondes)
IID · non-IID par domaine
Fédération verticale
XYZ / RGB → embeddings concaténés
Distillation
τ = 4, α = 0,5
04
Méthodes implémentées
01FedAvg à la main
Agrégation pondérée par la taille des partitions, y compris des statistiques de BatchNorm.
02Fédération verticale
Chaque entité encode sa modalité (FeaStConv pour XYZ, MLP pour RGB) ; seul l’embedding de 128 dimensions circule, et les gradients reviennent aux encodeurs.
03Distillation
Perte combinant entropie croisée et divergence KL sur les logits adoucis de l’enseignant figé.
05
Limites
- Résultats non publiés ici : les chiffres de référence du README sont produits par un script de résultats simulés (outputs/generate_mock_results.py) et les exécutions réelles versionnées sont des essais rapides. Les performances à pleine échelle restent à mesurer.
- Fédération simulée sur une seule machine, sans coût de communication réel ; une seule graine.
- Confidentialité du VFL fondée sur le pooling, sans confidentialité différentielle ni agrégation sécurisée.
06
Suites possibles
- Exécuter les cinq configurations à pleine échelle et versionner les rapports réels.