Alors que l'intelligence artificielle repose encore largement sur des infrastructures centralisées, les enjeux de confidentialité des données, de souveraineté numérique, de résilience et de passage à l'échelle conduisent à repenser les mécanismes de collaboration entre entités distribuées. Les architectures pair-à-pair offrent des propriétés attractives de robustesse et d'absence de point unique de défaillance, mais leur exploitation efficace pour l'apprentissage fédéré demeure un défi majeur.
Cette thèse répond à cette problématique en proposant une architecture en couches articulant la communication et l'apprentissage décentralisé. Les contributions se déclinent en quatre protocoles. Les protocoles de type peer sampling Elevator et Lift font émerger, de façon totalement décentralisée, une topologie multi-hubs structurée — une élection auto-organisée de hubs pour Elevator, durcie contre les comportements byzantins par Lift. HEAL exploite ensuite cette structure hiérarchique pour réaliser un apprentissage décentralisé dont la vitesse de convergence rejoint celle de l'apprentissage fédéré, tout en restant résilient aux pannes et au churn. Enfin, FLAIR adapte ces principes aux réseaux de capteurs sans fil via une élection de cluster heads basée sur les capacités des nœuds.
Ce travail combine expérimentations et analyse théorique. Les protocoles proposés sont évalués à grande échelle par simulation (PeerSim, ns-3) et, pour Elevator, par une implémentation réelle sur infrastructure TCP/IP ; en complément, une analyse formelle établit la convergence d'Elevator vers sa topologie multi-hubs.