في عالم الذكاء الاصطناعي، برزت تقنيات جديدة تهدف إلى تعزيز الخصوصية عند تدريب النماذج باستخدام أساليب التعلم المنقسم (Split Learning). تمثل تقنية BettiSafe واحدة من أبرز تلك الابتكارات، حيث تتيح تدريب نماذج مشتركة بين عدة مستخدمين مع الحفاظ على سرية البيانات. على الرغم من فوائد التعلم المنقسم، إلا أن هناك مخاطر تسرب البيانات بسبب تموضع الفصوص في الشبكات العصبية، مما يؤدي إلى كشف تمثيلات البيانات الوسيطة.

في هذا السياق، تقدم دراستنا إطار عمل يعتمد على تعقيد Betti المستمر، والذي يتيح لنا فهم توزيع مخاطر الخصوصية عبر طبقات الشبكة بطريقة أكثر دقة. لقد أظهر التحليل الطبقي الشامل أن مخاطر الخصوصية في التعلم المنقسم غير متجانسة، وتظهر مناطق انتقال حادة لا يمكن التقاطها فقط من خلال عمق الهيكل المعماري.

على سبيل المثال، نجد أن دقة استعادة الخصائص قد تتراوح من كونها غير ملحوظة إلى نسبة مشابهة تصل إلى 0.98 SSIM عند نقاط الفص الحرجة والمهمة للخصوصية.

تمكن تقنية BettiSafe من التعرف على الطبقات الحساسة للخصوصية دون الحاجة إلى تنفيذ هجمات صريحة، ما يجعلها استراتيجية متطورة تسهم في رفع مقاومة تسرب الخصائص بمعدل يتراوح بين 2 إلى 5 مرات مقارنة بالاستراتيجيات المعتمدة على العمق، مع الحفاظ على دقة التصنيف.

تؤكد نتائجنا على أهمية التعقيد الطوبولوجي كوسيلة واعدة لوصف هياكل التعلم المنقسم الآمن والقابل للتكيف والمراعي للتمثيل في نظم التعاون الحقيقية. تعد هذه الابتكارات خطوات هامة نحو تعزيز أمن البيانات أثناء عمليات التعلم، مما يُشجع المزيد من المؤسسات على اعتماد تقنيات التعلم المنقسم في مشروعاتهم.