في خطوة جديدة تعيد تشكيل مفهوم 'التعلم الفيدرالي' (Federated Learning)، طورت مجموعة من الباحثين إطار العمل 'تعلم الفيدرالية المتداخلة' (Federated Nested Learning)، الذي يهدف إلى معالجة تحديات البيانات غير المستقرة (Non-IID) التي تواجه أنظمة الذكاء الاصطناعي.

التحدي الأساسي الذي يواجهه العلماء في هذا المجال هو كيفية التعاون في تعلم القواعد لتحسين الأداء، بدلاً من مجرد الاعتماد على نماذج ثابتة. ولتحقيق ذلك، يقدم الباحثون نظامًا مبتكرًا من ثلاث مستويات للتعلم المتداخل.

يعتمد الإطار الجديد على إدماج انتباه الخط القائم على تيتان (Titans-based linear attention) في التعلم الفيدرالي، مما يمكّن العملاء من تنفيذ تكيف خفيف الوزن في الوقت الحقيقي مع البيانات الجديدة باستخدام قاعدة دلتا باعتبارها خطوة تدرج عبر الإنترنت.

نتائج التجارب على البيانات غير المستقرة من MMLU ومعايير السياق الطويل تشير إلى أن 'تعلم الفيدرالية المتداخلة' يحقق أداءً تنافسياً في القدرة على الاستدلال في السياقات القصيرة، كما يعمل على تحسين أداء استرجاع المعلومات في السياقات الطويلة ويحقق تدفقًا مستمرًا من دالة انتروبيا تقاطع (Cross-Entropy).

باختصار، هذا الإطار الجديد يعد بتطورات مهمة في مجال الذكاء الاصطناعي حيث يفتح آفاقًا جديدة للتكيف السريع مع البيانات غير المستقرة، الأمر الذي يمكن أن يساهم بفعالية في تطبيقات متنوعة في مجالات التكنولوجيا المختلفة.