في عصر الذكاء الاصطناعي (Artificial Intelligence)، بدأت تقنيات التعلم الفدرالي (Federated Learning) تتصدر المشهد، وخاصة في القطاعات الحساسة مثل الخدمات المالية. فما هي التعلم الفدرالي؟ ببساطة، هذه التقنية تمنح الكيانات فرصة تدريب نماذج الذكاء الاصطناعي بشكل جماعي دون تبادل البيانات المحلية، مما يحافظ على خصوصية المعلومات الحساسة.

لكن، كما هو الحال مع أي نظام جديد، يواجه التعلم الفدرالي تحديات، أهمها الثغرات الأمنية التي يمكن أن يستغلها عملاء ضارون لتسميم البيانات المحلية أو تحديثات النماذج، مما يؤثر سلباً على كفاءة النموذج العالمي.

لذا، تم تطوير استراتيجية مبتكرة تُدعى Enhanced Detective، وهي استراتيجية تعمل على تعزيز الأمان من خلال إطار عمل مزدوج. تتضمن هذه الاستراتيجية تجميعات مرنة تعتمد على الانحراف المطلق الوسيط (Median Absolute Deviation) وتصفيح التحديثات المستندة إلى المسافة، بالإضافة إلى تجميع FedMedian.

قام الباحثون بإجراء تجارب على مجموعة بيانات ذات بطاقات ائتمان غير متوازنة واختبروا هجمات مستهدفة مثل تغيير التسمية وتضخيم الأوزان على مدار 50 دورة اتصالات. وفي حالة وجود 40% من العملاء ضارين، حقق Enhanced Detective نسبة AUPRC تبلغ 0.796 واسترجاعاً يقدر بـ 0.847.

مع هذه التطورات الرائدة، يبرز Enhanced Detective كنموذج يمكن الاعتماد عليه لتعزيز الأمان في تصميم نماذج اكتشاف الاحتيال بمزيد من الفعالية.