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

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

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

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

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