تتقدم تقنية تعلم الرسم البياني الفيدرالي خطوة جديدة نحو تعزيز كفاءتها، حيث تطلق حلًا ثوريًا يعالج تحديات البيانات غير المتوازنة. انطلقت هذه المبادرة من مبدأ بسيط ولكنه حيوي: تعلّم رسم بياني مع الحفاظ على خصوصية البيانات بين العملاء الموزعين.

ومع ذلك، فإن التوزيع الطولاني (long-tailed distribution) للبيانات في الواقع يشكل تحديًا كبيرًا، حيث يعاني الأنموذج من تأثره بالفئات الأكبر ويعزل العقد الأقل تمثيلاً. وتتمثل المشكلات الرئيسية التي تواجهها الأنظمة الحالية في انحياز النموذج للأغلبية وفشلها في استعادة العقد الأقل تمثيلاً، مما يؤدي إلى تدهور الأداء.

مؤخراً، اقترحت مجموعة من الباحثين نظاماً جديداً يدعى FedEPD، وهو إطار عمل مبني على مفهوم ثنائية الفصل، حيث يهدف إلى تطهير الميزات الهيكلية وإعادة التوازن الدلالي. يستخدم FedEPD تقنيات متطورة مثل استخدام طاقة ديريشلي (Dirichlet energy pruning) لتصفية الحواف ذات التوزيع غير المتوازن، مما يسهم في تمكين النماذج من التعرف على الأنماط بشكل أفضل، حتى في ظل قيود البيانات.

علاوةً على ذلك، يتمتع FedEPD باستراتيجية الأمثل البديلة، حيث تحافظ على حدود القرارات لمجموعات البيانات الكبرى في الوقت الذي تحسن فيه دقة الفئات الأقل تمثيلاً.

أظهرت التجارب الدقيقة أن FedEPD يحقق أداءً متفوقاً في مجموعة متنوعة من اختبارات البيانات غير المتوازنة، حيث ثبتت التحسينات بنسبة تصل إلى 4.97% في الدقة و5.48% في معدل F1 المدمج.

إذا كنت من المهتمين بمجال الذكاء الاصطناعي وتعلم الآلة، لا تفوت فرصة متابعة هذه التطورات المثيرة!