في عصر الذكاء الاصطناعي الحديث، تتجه الأنظار بشكل متزايد نحو نماذج الفضاءات الحالة (State Space Models) وما تقدمه من بدائل مبتكرة لتقنيات المحولات (Transformers). ومن بين هذه النماذج، يشكل نموذج Mamba2 طفرة حقيقية في كيفية معالجة التسلسل الزمني من خلال دمج الديناميات القابلة للتكرار مع نموذج تسلسل زمني زمني خفيف.

ومع ذلك، لا يزال سلوك هذه النماذج في بيئات التعلم الموزع (Distributed Learning) غير مفهوم بشكل جيد. فعلى سبيل المثال، تنظر الطرق الحالية للتعلم الفيدرالي (Federated Learning) بشكل عام دون مراعاة الخصائص المعمارية للأنظمة، مما يستوجب تحليلًا عميقًا لفهم الاستقرارية (Stability) والانتقائية (Selectivity) والمعلمات المتعلقة بالفضاءات الحالة لنماذج SSMs.

قام الباحثون بتطوير حدود للتقارب تدرك المعمارية، بالإضافة إلى حدود للنزعات والانسيابية للنماذج ذات الطبقات الواحدة والمتعددة. كما قاموا بدراسة التأثيرات التي تحدثها الاستقرارية العائدة، والتقطيع المعتمد على المدخلات، والمعايير المحورية للحالة على تحسين التعلم الفيدرالي.

عبر تنفيذ تلك التحليلات، تم التحقق من الحدود المرتبطة بطبقة واحدة من خلال تجارب تعتمد على سلاسل زمنية تتولد بواسطة نموذج SSM مُعلم، واستخدام نموذج متعلم يتبع القواعد المحددة. يعكس هذا النهج كيف يمكن للحدود المرتبطة بنماذج SSM تعزيز فهم الإجراءات التي تتخذها الخوارزميات العملية في بيئات التعلم الفيدرالي من خلال مقارنة تسعة خوارزميات مختلفة، مما يساعد على تسليط الضوء على أهمية الخصائص المعمارية لهكذا نماذج.