يُعتبر التعلم الفيدرالي (Federated Learning) تقنية رائدة تسمح بتدريب نموذج عالمي عبر عملاء موزعين، مما يضمن خصوصية البيانات. إلا أن هذه التقنية تواجه تحديات كبيرة، خاصةً عند تعرضها لهجمات بيزنطية، حيث يحاول المهاجمون إرسال تحديثات ضارة تخفي نواياهم الحقيقي.

في أحدث الأبحاث، قدم العلماء طريقة جديدة لمواجهة هذه التحديات باستخدام أسلوب يعتمد على الحوسبة الكمومية من خلال إعادة تشكيل مسألة اختيار العملاء كمسألة تحسين ثنائية غير مقيدة رباعية (Quadratic Unconstrained Binary Optimization - QUBO). يتم معالجة هذه المشكلة بواسطة أجهزة الحوسبة الكمومية (Quantum Annealers) التي تتعامل مع المسافات الثنائية بين العملاء كجزء من دالة تكلفة معقدة.

الأسلوب المطروح يتفوق على طرق التقليدية مثل MultiKrum، التي تعتمد على تسجيل الدرجات لكل عميل بشكل فردي. بدلاً من ذلك، يقوم أسلوب QUBO بتحسين الأداء عبر تحديد المجموعة الأفضل من العملاء الأقرب لبعضهم البعض.

عند إجراء التجارب على 15 عميل، حقق أسلوب QUBO دقة كشف تصل إلى 95.11% ضد هجمات Advanced LIE، مقارنة بـ 81.33% لاستراتيجية MultiKrum. في بيئات أكثر تعقيدًا، مثل MNIST وCIFAR-10، أظهرت النتائج تفوقًا ملحوظًا في كل من الكشف وتقليل الأخطاء.

وعند زيادة عدد العملاء، أوضح البحث أن جودة أداء QUBO قد تتعرض للتدهور. للتصدي لهذه المشكلة، تم تقديم نظام MultiSignal الذي يعتمد على تصنيف الهجمات إلى أربع فئات، ويستخدم بوابة توجيه تعتمد على الفجوات بين درجات Krum. هذا يسمح بالتعامل مع هجمات الانسحاب من خلال توجيهها إلى QUBO مع تصويت اتفاقية.

في التجارب التي شملت 100 عميل على مجموعة بيانات MNIST، حقق نظام MultiSignal معدل دقة كشف بلغ 95.3%، مقارنة بـ 91.8% لـ MultiKrum التقليدي. وهذا يدل على التحسينات الكبيرة في دقة الكشف ضد هجمات Sparse Lie وAdvanced Lie.

تظهر هذه النتائج أن استخدام الحوسبة الكمومية عبر QUBO جنبًا إلى جنب مع نظام MultiSignal يمثل دفاعاً موثوقاً وقابلاً للتوسع ضد استراتيجيات بيزنطية الأكثر تحديًا في التعلم الفيدرالي.

ما رأيكم في هذا التقدم التكنولوجي الجديد؟ شاركونا في التعليقات.