في عصر الذكاء الاصطناعي الجنيري (Generative AI)، ظهرت نماذج الانتشار (Diffusion Models) كطريقة واعدة لتوليد صور صناعية عالية الجودة. ولكن، تواجه هذه النماذج تحديات متعددة تتعلق بتوفر البيانات ومتطلبات الحوسبة وخصوصية المعلومات. وغالبًا ما تفرض الأساليب التقليدية، مثل التعلم الاتحادي (Federated Learning)، أعباء حسابية كبيرة على العملاء، خاصةً أولئك الذين يمتلكون موارد محدودة.

ردًا على هذه التحديات المعقدة، نُقدم لكم نهج CollaFuse المبتكر، الذي يستفيد من فكرة التعلم المجزأ (Split Learning). يتيح هذا النهج التدريب التعاوني لنماذج الانتشار دون تحميل العملاء أعباء حسابية كبيرة أثناء عملية توليد الصور. يتم تقليل الحمل الحسابي من خلال الاحتفاظ بالبيانات والعمليات الحسابية الخفيفة محليًا في كل عميل، بينما يتم تحميل العمليات الثقيلة إلى خدمات السيرفر المشتركة التي تتمتع بكفاءة أعلى.

من خلال التجارب التي أُجريت على مجموعات البيانات المشهورة مثل CelebA وCIFAR-10 وAnimals-with-Attributes2، أظهر نهجنا أداءً معززًا في تنفيذ المهام، مع تقليل الكشف عن المعلومات الحساسة من خلال تقليل الحاجة لمشاركة البيانات الخام. إن هذه القدرات تمثل آفاقًا كبيرة في مجالات متعددة، بما في ذلك تصميم حلول الحوسبة الطرفية (Edge Computing).

بالتالي، يُساهم عملنا في تقدم التعلم الآلي الموزع (Distributed Machine Learning) عبر تطوير نماذج الانتشار التعاونية، مما يعكس تطورًا كبيرًا في هذا المجال الحيوي.