في ظلّ التطور السريع لشبكات السيارات الذكية (VANETs)، تبرز أهمية تقنيات التعلم الفيدرالي (Federated Learning) كوسيلة مبتكرة لتعزيز الذكاء التعاوني دون الحاجة لمشاركة المعطيات الحسية الخام. ومع ذلك، كانت معظم الأطر الحالية تفرض نموذجاً عالمياً واحداً على كافة المركبات، مما يُقيّد مرونة التطبيقات العملية في البيئات المتنوعة.

في هذا السياق، تم اقتراح إطار التعلم الفيدرالي الهرمي متعدد المهام المعتمد على الـ AutoEncoder (AERO-HMTFL) لتحسين الأداء في شبكات السيارات الديناميكية متعددة الهواتف. يعتمد هذا الإطار على مبدأ تجميع المركبات وفقاً لمتطلبات متعددة من خلال استخدام مقياس تجميع ثلاثي الوزن يأخذ بعين الاعتبار الحركة والمشابهة بين نماذج المشاركة والتوافق بين المهام.

يعمل كل مركبة على بنية نموذج مقسمة تشمل وحدة تمثيل قائمة على الـ autoencoder ونماذج مخصصة للمهام، مع تبادل معلمات الـ autoencoder فقط بينما تظل الرؤوس المخصصة محلية. لتحسين موثوقية الأداء، تقوم رؤوس التجمع بأداء تجميع واعي يعتمد على أداء التحقق التاريخي وتكرار المشاركة. وتقوم نواة الحزمة المتطورة (Evolved Packet Core - EPC) بدمج الـ autoencoder العالمي عبر التجمعات.

أظهرت التجارب والمحاكاة أن AERO-HMTFL تستطيع تحقيق دقة أعلى تصل إلى 13% مقارنةً بمعايير التعلم الفيدرالي متعدد المهام التقليدية، كما أثبتت ثباتاً أكبر في ديناميكيات التعلم وتقليل نقل الحزم بمعدل يتراوح من 87-97%. بالإضافة إلى ذلك، تحت ظروف الاتصال القصير، تحتاج هذه التقنية إلى 13-29% أقل من جولات الاتصال للتقارب.

إن الإطارات الجديدة مثل AERO-HMTFL تمثل نقطة تحول تكنولوجية في عالم شبكات السيارات الذكية، لتجعل من التنقل الذكي أسهل وأكثر كفاءة من أي وقت مضى! ما رأيكم في هذا التقدم المثير؟ شاركونا في التعليقات!