Learning to Communicate: ML/DL for Distributed Networks

Description du projet

Ce projet explore l'utilisation de l'apprentissage automatique et profond pour prédire les bits manquants dans un réseau pair-à-pair (P2P) où des nœuds peuvent se déconnecter aléatoirement dans le modèle LOCAL. Trois algorithmes ont été développés et comparés. L'algorithme Alice–Bob classique utilise une estimation statistique naïve basée sur un buffer glissant pour deviner les bits d'un nœud déconnecté. L'algorithme Alice–N–Bob étend cette approche à plusieurs nœuds simultanés en intégrant des modèles supervisés : Random Forest (erreur d'estimation : 2–4%) et Régression Logistique (erreur : 7–29%), démontrant la supériorité des modèles non-linéaires pour ce type de données binaires aléatoires. L'algorithme Alice–MNIST applique le même principe à la transmission d'images : un Autoencoder convolutif (CNN) reconstruit les pixels déconnectés avec une précision pixel par pixel de 94,7% ; cependant, cette métrique est partiellement surestimée car la majorité des pixels MNIST correspondent au fond noir, dont la prédiction est triviale. En pratique, les images reconstruites restent visuellement reconnaissables jusqu'à environ 60% de déconnexion — au-delà de ce seuil, l'information structurelle du chiffre devient trop fragmentée pour une reconstruction fiable. En complément, une variante MIS–GMNIST modélise chaque image MNIST comme un graphe géométrique et applique l'algorithme MIS (Maximal Independent Set) aux pixels actifs avant reconstruction. L'ensemble est intégré dans une application web Django avec visualisation interactive des graphes via GoJS. Le code source complet est disponible sur GitHub.