في عالم يتجه نحو الاعتماد المتزايد على الشبكات الدلالية (Semantic Communication)، أصبح من الضروري تحسين تقنيات التعلم التي تعتمد على التعلم الفيدرالي اللامركزي (Decentralized Federated Learning). بينما يعتمد التدريب الجماعي في الشبكات اللامركزية عادةً على التعلم الفيدرالي، إلا أن إدخال تجميع غير معتمد على البنية التحتية في بيئات متعددة المهام يخلق تحديات رئيسية.

أحد النقاط الأساسية في البحث الجديد هو كيفية تجاوز العقبة التي يسببها التداخل بين المهام، والتي تُعتبر عاملًا سلبيًا يؤثر سلبًا على أداء الشبكة. لذلك، قدمت الدراسة إطار عمل مخصص جديد يحرص على تقليل هذا التداخل ويعزز من جودة أداء الشبكة.

على مستوى العقد، يعتمد الإطار على آلية توجيه متعددة المسارات مستندة إلى سياسات معينة، حيث تُفصل الميزات الخاصة بالمهام عن التمثيلات المشتركة، مما يحافظ على دقة البيانات المحلية.

عبر الشبكة، يتبنى البحث بروتوكول "التواصل أثناء التجميع"، الذي يقوم بمعايرة مصفوفة توافق عمودي باستخدام اهتمامات المهام، مما يحد من النظام على امتصاص المعرفة التكميلية ويمنع بنشاط تحديثات المعلمات غير المتطابقة.

في تحليل النتائج، وُجد أن هناك توازنًا صارمًا بين عمق التجميع والتجانس الهيكلي، مما يجعل الحلول الممكنة تُظهر تحسنًا كبيرًا في النتائج. إذ أظهر التطبيق العملي في مجموعة بيانات NYU-v2 تحسنًا بنسبة 4.77% مقارنة بالطرق السابقة، مما يؤكد فعالية هذا الإطار الجديد.

هل تعتقد أن هذا الإطار لديه القدرة على تغيير كيفية عمل الشبكات الدلالية في المستقبل؟ تابعونا للمزيد من الأخبار والمستجدات.