في عصر تحول العالم نحو الذكاء الاصطناعي ثورة، يشكل الكشف عن الشذوذ (Anomaly Detection) عنصراً أساسياً لضمان سلامة وموثوقية وكفاءة الأنظمة الصناعية. ومع تقدم التقنيات مثل التوأم الرقمي (Digital Twin) وصنع القرار المدعوم بالبيانات، ظهرت العديد من الأساليب الإحصائية وطرق التعلم الآلي (Machine Learning). إلا أن هذه الأساليب تواجه تحديات عدة، تشمل الاعتماد على مجموعات البيانات الحقيقية فقط، وقلة البيانات الموسومة، ومعدلات الإنذار الكاذب العالية، بالإضافة إلى القضايا المتعلقة بالخصوصية.

لمواجهة هذه التحديات، نقدم مجموعة من الأساليب المبتكرة التي تعتمد على التعلم الفيدرالي المدمج مع التوأم الرقمي (Digital Twin-Integrated Federated Learning DTFL). تهدف هذه الأساليب إلى تحسين أداء النماذج العالمية مع الحفاظ على خصوصية البيانات وكفاءة التواصل. نقدم خمس طرق جديدة:

1. **التعلم الميتا المستند إلى التوأم الرقمي (DTML)**
2. **دمج المعلمات الفيدرالية (FPF)**
3. **تبادل المعلمات على مستوى الطبقات (LPE)**
4. **تكييف الوزن الدوري (CWA)**
5. **تقطير المعرفة لتوأم رقمي (DTKD)**

كل طريقة من هذه الطرق تقدم آلية فريدة لدمج المعرفة الاصطناعية والواقعية، مما يوازن بين التعميم والعبء الاتصالي.

في تجربة شاملة باستخدام مجموعة بيانات الكشف عن الشذوذ السيبراني المتاحة للجمهور، حقق **CWA** الهدف بدقة 80% في 33 جولة، بينما احتاج **FPF** إلى 41 جولة، و**LPE** إلى 48 جولة، و**DTML** إلى 87 جولة، في حين لم تتمكن الطرق التقليدية مثل **FedAvg** و**DTKD** من الوصول لهذا الهدف خلال 100 جولة. وتسلط هذه النتائج الضوء على فوائد كبيرة في كفاءة الاتصال، حيث انخفضت الجولات بنسبة تصل إلى 62% مقارنة بـ**DTML** و31% مقارنة بـ**LPE**. هذه التطورات تظهر أن دمج المعرفة من التوأم الرقمي في التعلم الفيدرالي (Federated Learning) يسرع من الوصول إلى عتبات الدقة المهمة عمليا لكشف الشذوذ في إنترنت الأشياء الصناعي (IIoT).