تقدير مساهمة العملاء بدون بيانات: الثورة في التعلم الفيدرالي

في عالم التعلم الفيدرالي (Federated Learning)، نجحت التقنية في تمكين التعلم التعاوني لنماذج الرؤية الحاسوبية، حيث تحظر قوانين الخصوصية تجميع البيانات من مختلف الأجهزة أو المؤسسات. ومع ذلك، غالباً ما تتعرض عمليات التعليم الفيدرالي العملية لمشاكل جسيمة كتوازن الفئات المفرط (Class Imbalance) وتحويل التصنيفات (Label Skew).

تقدم دراستنا إطاراً مبتكراً يُعرف بتقدير مساهمة العملاء بدون بيانات (Data-Free Client Contribution Estimation) باستخدام تحسين لوجيتي (Logit Maximization) الذي لا يتطلب تبادل البيانات الخام بين العملاء أو استخدام مجموعات بيانات عامة مساعدة.

تقوم خوادم التعلم الفيدرالي بإجراء تحليل عميق لتحديثات العملاء من خلال تقييم النقاط المستندة إلى الفئات، حيث يتم تجميع مصفوفة الأدلة العابرة للعملاء. هذه المصفوفة تقيس كفاءة كل فئة وتغطيتها، مما يسمح لنا بحساب أوزان مساهمة العملاء التي تعزز من العملاء الذين يقدمون أدلة قوية ومميزة للفئات غير الممثلة بشكل كافٍ.

من خلال هذا النهج، يتحقق التجميع من استقرار كبير بفضل قيود الهرم (Simplex Constraints) وتنعيم الزخم (Momentum Smoothing)، مما يجعله متوافقًا أيضًا مع مسارات التدريب التقليدية في التعلم الفيدرالي. تم تقييم هذه الطريقة على مجموعات بيانات رائدة في مجالات الرؤية تحت تقسيمات خاضعة للتحكم في عدم الاستقلال المتساوي (Non-IID) والانحرافات المرضية في التصنيفات، مما أثبت قدرة التجميع المعتمد على تحسين لوجيتي في تعزيز مرونة الأداء وتجاوز التحيز دون الحاجة لتبادل بيانات إضافية.

تسهم هذه الأبحاث في فتح آفاق جديدة في عالم التعلم الفيدرالي، مما يضمن تحسين الأداء في مهام التصنيف المختلفة ويحقق العدالة للجميع.