في عالم تكنولوجيا المعلومات الحديث، تعتبر مهمّة التعرف على الأفراد (Person Re-identification) جزءًا أساسيًا من أنظمة المراقبة الذكية وأمان الأماكن العامة. ولتحقيق ذلك، تمثل التعلم الفيدرالي (Federated Learning) نموذجًا جديدًا يتيح تدريب النماذج بالتعاون بين عدة جهات دون الحاجة لتجميع البيانات في مكان مركزي، مما يزيد من خصوصية المستخدمين.

لكن على الرغم من هذه المزايا، لا يزال تنفيذ التعلم الفيدرالي في أنظمة التعرف على الأفراد يواجه تحديات ملحوظة، مثل عدم التجانس الإحصائي الناتج عن بيانات العملاء غير المستقلة وغير المتجانسة (Non-IID)، وزيادة تكاليف الاتصالات بسبب نقل نماذج كبيرة بشكل متكرر.

استجابة لهذه التحديات، ابتكر باحثون إطار FedKLPR، والذي يمثل حلاً خفيف الوزن وفعالاً من حيث الاتصال لتسهيل التعرف على الأفراد. يتكون FedKLPR من ثلاث مكونات رئيسية:

1. **تدريب مسترشد بتباين KL** (KL-Divergence-Guided Training): يشتمل على خسارة تنظيم التباين KL (KL-Divergence Regularization Loss) ووزن تجميع التباين KL (KL-Divergence-aggregation Weight) لحل مشكلة عدم التجانس الإحصائي وتحسين استقرار التقارب في ظل الظروف غير المستقلة.

2. **التقليم غير المنظم** (Unstructured Pruning): يتم دمجه لتقليل تكاليف الاتصال، حيث تم اقتراح وزن نسبة التقليم (Pruning-ratio-aggregation Weight) لقياس الأهمية النسبية لبارامترات العملاء بعد التقليم. يساهم ذلك جنبًا إلى جنب مع وزن التباين KL في إنشاء تجميع مرن لنماذج محلية مقلمة.

3. **استعادة دورة العبور** (Cross-Round Recovery): تتحكم هذه التقنية في التقليم عبر دورات الاتصال بشكل مرن لتجنب الانضغاط المفرط والحفاظ على دقة النموذج.

أثبتت التجارب على ثمانية مجموعات بيانات مرجعية أن FedKLPR يحقق توفيرًا كبيراً في الاتصال مع الحفاظ على دقة تنافسية. بالفعل، مقارنةً بأحدث الأساليب، تمكن FedKLPR من تقليل تكلفة الاتصال بنسبة تتراوح بين 40% و42% عند استخدام نموذج ResNet-50، مع تحسين الأداء العام.

في الختام، يمثل FedKLPR خطوة مهمة نحو تحسين أنظمة الامان الذكي من خلال توفير أدوات فعالة للتعريف بالناس مع الحفاظ على خصوصية البيانات. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.