في عالم الذكاء الاصطناعي، وقد عرفت أنظمة استرجاع المعرفة المعززة (Retrieval-Augmented Generation - RAG) بأنها تغير قواعد اللعبة من حيث تزويد نماذج اللغات الضخمة (Large Language Models) بمصادر معرفية خارجية. ومع ذلك، فإن معظم هذه الأنظمة تعتمد على وصول مركزي للمعرفة، مما يجعلها غير قادرة على توفير الحلول في بيئات متDecentralizd، حيث تكون المعرفة موزعة عبر أجهزة متعددة والبيانات الخام لا يمكن مشاركتها.

في هذا السياق، يُقدم إطار العمل FD-RAG، وهو نظام مزدوج الفيدرالي يجمع بين الذاكرة الخفيفة وصول المعرفية واستنتاج نماذج اللغات الضخمة بشكل يعتمد على الطلب. يقوم FD-RAG بتعلم هيكليات تتسم بالوعي الدلالي، مما يوفر ذكاءً معدلاً على مجموعات محلية من البيانات ويقوم بتكثيفها في ذاكرات صغيرة مخصصة للاستعلامات (QA memories).

أثناء مرحلة الاستدلال، يتعامل النظام مع الاستعلامات المعروفة عبر تطابق سريع للذاكرة ويعتمد على استنتاج نموذج اللغة الكبيرة عندما يكون ذلك ضرورياً، مع تتبع الأدلة المستخرجة إلى رسومات هيكلية. ومن خلال تجميع الذاكرات غير المحددة عبر الأجهزة، يقلل FD-RAG من تشتت المعرفة دون أن يعرض الوثائق الخام.

أظهرت التجارب على معايير الاستعلام أن FD-RAG محسن في دقته بنسبة تصل إلى 7.8%، بينما يقلل زمن الاستجابة بمعدل يصل إلى 8.4 مرة مقارنة مع معايير محلية وفيدرالية قوية. علاوة على ذلك، يوفر البحث تحليلاً نظريًا يثبت معدل التقارب عند الأو (O(1/ε²)، مما يدعم إمكانية تطبيق هذه التقنية في البيئات المتDecentralizd بسهولة.