في عصر الاتصالات اللاسلكية المتقدمة، يعتبر تصنيف التعديل التلقائي (AMC) أحد الركائز الأساسية التي تدعم الشبكات الذكية. يتيح AMC للأنظمة استيعاب الطيف الترددي والتكيف مع ظروف التواصل المتنوعة. ولكن، تواجه هذه النماذج تحديات كبيرة عند تدريبها على بيانات مجمعة مركزيًا، حيث يؤدي هذا الأسلوب إلى زيادة الحمل الاتصالي ويثير مخاوف تتعلق بالخصوصية، بالإضافة إلى أنها غالبًا ما تفتقر إلى الثبات أمام الظروف الواقعية.

لحل هذه المشكلات، يأتي إطار FedSSL-AMC ليكون الحل الفيدرالي الذاتي الإشراف الذي يغير قواعد اللعبة. يتيح هذا النظام التعلم من بيانات I/Q الزمنية الموزعة والتي تحمل علامات محدودة، حيث يتعاون العملاء المشاركون في تدريب مُشفر CNN معتمد على الخسارة الثلاثية على إشارات غير مُعلمة، متبوعاً بتدريب نموذج SVM محلي خفيف على عينات ذات علامات محدودة.

هذا الأسلوب لا يقلل فحسب من الأعباء الاتصالية، بل يضمن أيضًا تعلم تمثيلات قوية تحت ظروف عدم التوازن في الفئات وتغيرات القناة. وقد تم إثبات قابلية التقارب لإجراء تدريب المُشفر، بالإضافة إلى تحديد حدود قابلية الفصل لفئة المصنف في ظل الضوضاء المميزة.

أظهرت التجارب على مجموعات بيانات عشوائية وعبر الأثير تحسنات ملحوظة على النماذج الأساسية للتعلم الفدرالي تحت إشراف، مما يبرز فعالية هذا الإطار في جميع الإعدادات المتنوعة التي تتضمن تباينًا في نسبة الإشارة إلى الضوضاء (SNR) وانحرافات في تردد الناقل، بالإضافة إلى توزيعات ملصقة غير IID. في هذا الإطار الحديث، نجد أن FedSSL-AMC يمهد الطريق لإعادة تعريف كيفية التعامل مع تحديات التواصل اللاسلكي في العالم الحقيقي.