Apprentissage Automatique Guidé Par Les Contraintes des Réseaux LoRa/5G

Objectif et périmètre scientifique

L'objectif scientifique de cette thèse est de développer un cadre théorique et algorithmique d'apprentissage distribué contraint par le réseau dans des environnements hétérogènes LoRa/5G [4][5]. Il s'agira d'étudier la convergence de modèles d'apprentissage dans des conditions d'asynchronisme marqué, de participation partielle des nœuds et de pertes de paquets fréquentes. Une attention particulière sera portée à l'optimisation des transmissions LoRa, notamment à travers la sélection adaptative des paramètres radio, l'agrégation ou le découpage des mises à jour de modèles, ainsi que les techniques de compression et de sparsification des gradients.

Un second axe portera sur l'ordonnancement intelligent des transmissions en fonction de la technologie disponible. Il conviendra de déterminer, pour chaque mise à jour de modèle, si celle-ci doit être transmise via LoRa ou via 5G, en tenant compte des contraintes énergétiques, du coût en ressources radio et de l'urgence de la contribution au modèle global. Cette problématique sera abordée sous l'angle de l'optimisation dynamique et de l'apprentissage par renforcement.

Un troisième volet concernera l'allocation concurrente des ressources partagées, notamment au niveau de l'accès au médium radio [6], en intégrant les dynamiques d'apprentissage dans la gestion des collisions et des accès aléatoires. Enfin, la thèse abordera la question de la convergence et de l'équité des modèles asynchrones, en étudiant des mécanismes d'agrégation pondérée et de modélisation par graphes permettant de garantir des politiques égalitaires ou équitables entre participants, y compris en présence de nœuds mobiles dans des scénarios industriels.

Méthodologie

La méthodologie reposera sur une approche intégrée combinant modélisation mathématique, conception algorithmique et validation expérimentale. Une première étape consistera à formaliser un modèle d'apprentissage distribué tenant compte explicitement des contraintes réseau, incluant délais variables, mises à jour obsolètes, pertes de messages et participation intermittente. Des analyses de convergence seront menées afin d'établir des bornes théoriques et des conditions de stabilité.

Dans un second temps, des algorithmes de communication adaptés aux liaisons LoRa seront développés, intégrant des mécanismes de compression de modèles, de réduction de dimension et de transmission partielle. Des stratégies d'ordonnancement multi-technologies seront ensuite conçues, en s'appuyant sur des techniques d'optimisation dynamique ou d'apprentissage par renforcement afin de décider du support radio le plus pertinent pour chaque échange.

L'ensemble des contributions devront être testées et évaluées par des simulations à grande échelle, notamment à l'aide d'outils de modélisation réseau intégrant des modules LoRa et 5G tel que NS3. Un démonstrateur expérimental sera également développé afin de valider les résultats obtenus dans un environnement réel ou semi-réel.

Retombées scientifiques

Cette thèse contribuera à l'émergence d'un nouveau paradigme d'apprentissage distribué conscient des contraintes réseau. Elle apportera des résultats théoriques sur la convergence des modèles asynchrones en environnement contraint, ainsi que des algorithmes pratiques de co-conception réseau-apprentissage adaptés aux architectures hétérogènes. Les retombées attendues concernent à la fois la communauté des réseaux sans fil et celle de l'intelligence artificielle distribuée, avec un potentiel de publications dans des revues et conférences internationales de premier plan., La thèse sera encadré par deux encadrants et un directeur de thèse qui sont membres de l'équipe RT du laboratoire IRIMAS. La thèse se déroulera au campus Grillenbreit de l'IUT de Colmar.

Apprentissage Automatique Guidé Par Les Contraintes des Réseaux LoRa/5G, Apprentissage distribué, Federated Learning, Réseaux LoRa/LoRaWAN, Réseaux 5G, Réseaux hétérogènes, IoT, Edge AI, Intelligence artificielle distribuée, * Un master en génie électrique ou informatique, ou dans une discipline connexe,

• D'excellentes compétences rédactionnelles, de communication et de présentation en anglais,
• De très bonnes connaissances en :

• Programmation en Python et C++, et excellentes capacités d'analyse,
• Technologie LoRa, communication cellulaire et réseaux,
• Apprentissage automatique.

L'essor massif des objets connectés conduit aujourd'hui à l'intégration dans ces objets des technologies de communication hétérogènes à très faible consommation et longue portée, tels que LoRa/LoRaWAN, et des technologies à haut débit et faible latence comme la 5G. Parallèlement, les approches d'apprentissage distribué et d'apprentissage fédéré (Federated Learning) se développent pour permettre l'entraînement collaboratif de modèles d'intelligence artificielle sans centralisation des données. Toutefois, ces méthodes reposent généralement sur des hypothèses de synchronisation et de disponibilité des technologies réseau qui ne sont pas compatibles avec les contraintes fortes des réseaux sans fil, notamment en termes de débit, de pertes de paquets, de cycle de fonctionnement, et de consommation énergétique. Dans ce contexte, cette thèse propose de guider explicitement le processus d'apprentissage par les contraintes du réseau. L'objectif est de concevoir des mécanismes d'apprentissage distribué capables d'intégrer nativement les limitations radio, en particulier dans des environnements où coexistent des technologies LoRa et 5G. Il s'agira d'établir une co-conception entre les algorithmes d'apprentissage et les mécanismes d'allocation de ressources réseau, afin de garantir convergence, efficacité énergétique et équité entre les nœuds participants. Les contributions seront validées par des analyses théoriques, des simulations à grande échelle et la mise en œuvre d'un démonstrateur expérimental., L'apprentissage distribué constitue aujourd'hui un levier majeur pour le déploiement d'intelligence artificielle en périphérie de réseau. Les paradigmes tels que le Federated Learning permettent à des nœuds distribués d'entraîner conjointement un modèle global sans partager leurs données brutes. Cependant, la plupart des travaux existants supposent un réseau relativement stable, des mises à jour synchrones et une disponibilité régulière des participants. Ces hypothèses sont difficilement compatibles avec les environnements IoT contraints, notamment ceux basés sur des réseaux LoRa, caractérisés par un débit limité, un accès aléatoire au canal, des restrictions réglementaires de type duty-cycle et une forte intermittence des communications [1][2]. Dans les architectures émergentes, les objets connectés peuvent disposer de plusieurs technologies radio, telles que LoRa pour les transmissions longue portée à faible consommation et la 5G pour les communications à haut débit et à faible latences. Cette coexistence ouvre des perspectives nouvelles mais soulève également des défis fondamentaux en matière d'algorithmie distribuée, de gestion de la convergence asynchrone et d'allocation concurrente des ressources radio. Il devient alors nécessaire d'adapter le processus d'apprentissage aux caractéristiques du réseau, plutôt que d'imposer au réseau des exigences issues de modèles théoriques idéalisés [3][4]., [1] D. G. S. Pivoto, et al., "A Comprehensive Survey of Machine Learning Applied to Resource Allocation in Wireless Communications," in IEEE Communications Surveys & Tutorials, vol. 28, pp. 1986-2053, 2026, doi: 10.1109/COMST.2025.3552370. [2] Cui, L., Yang, S., Chen, F. et al. A survey on application of machine learning for Internet of Things. Int. J. Mach. Learn. & Cyber. 9, 1399-1417 (2018). https://doi.org/10.1007/s13042-018-0834-5 [3] Verbraeken J., Wolting M., Katzy J et al. 2020. A Survey on Distributed Machine Learning. ACM Comput. Surv. 53, 2, Article 30 (March 2021), 33 pages. https://doi.org/10.1145/3377454 [4] A. Imteaj, et al. "A Survey on Federated Learning for Resource-Constrained IoT Devices," in IEEE Internet of Things Journal, vol. 9, no. 1, pp. 1-24, 1 Jan.1, 2022, doi: 10.1109/JIOT.2021.3095077. [5] M. Chen et al., "Distributed Learning in Wireless Networks: Recent Progress and Future Challenges," in IEEE Journal on Selected Areas in Communications, vol. 39, no. 12, pp. 3579-3605, Dec. 2021, doi: 10.1109/JSAC.2021.3118346, L'Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (IRIMAS) est une équipe d'accueil (EA 7499) de l'Université de Haute-Alsace (UHA). Cet institut interdisciplinaire rassemble tous les travaux de recherche liés aux disciplines des mathématiques, de l'informatique, de l'électronique, de l'électrotechnique, de l'automatique et du traitement du signal et de l'image à l'Université de Haute-Alsace . L'IRIMAS est associé à l'École Doctorale 269 Mathématiques, Sciences de l'Information et de l'Ingénieur (MSII) de l'Université de Haute-Alsace et de l'Université de Strasbourg. L'IRIMAS offre un environnement scientifique de haut niveau accueillant de nombreux chercheurs travaillant sur différents domaines, allant du domaine de l'IA à l'optimisation en passant par la théorie de la communication.