Dans des secteurs tels que la finance et la santé, où la gouvernance des données est soumise à des exigences réglementaires strictes, l’échange et l’utilisation des données s’avèrent particulièrement complexes. L’apprentissage fédéré (Federated Learning, FL) est apparu comme un paradigme novateur d’apprentissage automatique distribué, permettant l’entraînement collaboratif de modèles à travers plusieurs institutions tout en préservant la décentralisation des données. Malgré ses avantages, le FL reste vulnérable aux menaces adverses, en particulier aux attaques par empoisonnement lors de l’agrégation des modèles, un processus généralement géré par un serveur central. Toutefois, dans ces systèmes, les modèles de réseaux de neurones conservent tout de même la capacité à mémoriser involontairement des instances d’entraînement individuelles, pouvant ainsi exposer des données privées. Ce phénomène représente un risque majeur pour la confidentialité, car des attaquants pourraient reconstruire des données personnelles en exploitant les informations contenues dans le modèle lui-même. Les solutions existantes ne parviennent pas à offrir un système BRFL (Fédéré à Réduction de la Révélation d’Information) viable, à la fois entièrement résistant aux fuites d’information et hautement efficace sur le plan computationnel. Pour répondre à ces enjeux, nous proposons Lancelot, un cadre innovant et particulièrement efficace sur le plan computationnel pour le BRFL, qui utilise le chiffrement homomorphe complet (Fully Homomorphic Encryption, FHE) afin de protéger contre les activités malveillantes des clients tout en préservant la confidentialité des données. Nos tests approfondis, menés sur des diagnostics en imagerie médicale et des jeux de données d’images publiques largement utilisés, démontrent que Lancelot surpasse significativement les méthodes existantes, offrant une augmentation de plus de vingt fois de la vitesse de traitement, tout en garantissant la confidentialité des données.