في عصر يشهد تزايد الاعتماد على الذكاء الاصطناعي، يبرز مفهوم التعلم الفيدرالي متعدد الوسائط (Federated Multimodal Learning - FML) كأحد الحلول الرائدة. يُمكّن هذا النهج النماذج المتعددة الوسائط من التدريب عبر عملاء موزّعين، مع الحفاظ على خصوصية أزواج البيانات من الصور والنصوص. ولكن، كيف نتعامل مع مشكلة النسيان الفيدرالي؟

تُشكل التقنيات الحالية تحديًا كبيرًا، حيث يتم تقاطع المعرفة المنسية بين الوسائط المختلفة ومجالات تدرجات العملاء، مما يعوق عملية النسيان الفيدرالي. وقد أظهرت المحاولات السابقة عدم قدرتها على فصل قنوات إعادة البناء المتقابلة أو توجيه التحديثات المنسية بعيدًا عن التحديثات المشتركة.

من هنا، أتى الحل innovatively EASE، والذي يعتمد على مبدأ "المرساة" (Anchor Principle). يكشف EASE عن ثلاثة مرساة متبقية نشأت من الاقتران الثنائي المتعدد الوسائط وانخراط الزوايا الرئيسية. ومن خلال إغلاق قنوات إعادة البناء المتقاطعة، يعتمد النظام على تحرك ثنائي الاتجاه في كلا الفرعين البصري واللغوي. كما يتم عزل الاتجاهات المنسية بأسلوب جديد يُسمى التحليل الشعاعي لمجالات التحديث.

لذا، فإن EASE لا يعد فقط تقنية، بل إطار عمل شامل لقطع الارتباطات الثلاثة المرساة تحت تصميم موحد. وقد أظهرت هذه التقنية تفوقًا ملحوظًا عبر بيانات متعددة وسيناريوهات نسيان متباينة، حيث قارب الأداء المرجعي عند 0.2 و4.2 R@1 في جانبي النسيان والاحتفاظ على مجموعة بيانات Flickr30K مع CLIP-B/32.

تعتبر EASE حجر الزاوية في تأمين خصوصية البيانات وتحسين عمليات التعلم المتعدد الوسائط. ما رأيكم في هذا التطور الواعد؟ شاركونا في التعليقات.