في عصر أصبح فيه التعلم الفيدرالي (Federated Learning) أداةً قوية لتعزيز كفاءة الشبكات، يسعى الباحثون لتجاوز تحديات توزيعات البيانات والتي تؤثر سلبًا على دقة النماذج. ومن بين هذه التحديات، يبرز تحيز توزيع البيانات الذي ينجم عن استخدام بيانات مشتركة قد لا تعبر عن جميع الفئات بشكل متوازن.

في هذا السياق، تم تقديم خوارزمية جديدة تُدعى FedCC، تهدف إلى معالجة هذا القصور. الخوارزمية تتيح للعملاء تصنيف العينات الغامضة كـ 'غير معروف' بدلاً من المجازفة بتصنيفات خاطئة قد تؤدي إلى نتائج غير دقيقة.

تساعد هذه الطبقة الإضافية، إلى جانب تسميات مزيفة معدلة على البيانات العامة، على تحقيق توازن بين الثقة في الفئات الأكثر تمثيلًا وعدم اليقين في الفئات غير الممثلة. وتشير نتائج التجارب إلى أن FedCC تتفوق بشكل ملحوظ على الحلول الحالية في أوقات التحدي، حيث تمكنت من تحقيق دقة عالية تصل إلى 67.3% في سيناريوهات شديدة، في حين انخفضت دقة الطرق التقليدية إلى نتائج قريبة من العشوائية.

يمكن القول إن FedCC تمثل خطوة مهمة نحو تحسين أداء التعلم الفيدرالي، مما يفتح آفاقًا جديدة للبحث وتطبيقات عملية أكثر دقة وفاعلية. ما رأيكم في هذه الخوارزمية الجديدة؟ شاركونا في التعليقات!