شهد مجال التعلم الآلي (Machine Learning) تطوراً مذهلاً في السنوات الأخيرة، خصوصاً مع ظهور مفهوم التعلم الفيدرالي (Federated Learning) الذي يتيح التعاون بين عدة عملاء موزعين دون المساس بالخصوصية. لكن التحديات تبقى في الوصول إلى تقارب فعال في النماذج، خاصةً في الشبكات اللاسلكية التي تعاني من بيانات غير مستقلة وغير متطابقة (non-IID) وتكرار انقطاعات العملاء.

الاستراتيجيات التقليدية مثل FedAvg تعتمد بشكل أساسي على حجم مجموعة البيانات فقط لتحديد وزن تحديثات العملاء، مما يؤدي إلى تحيزات تجاه العملاء ذوي مجموعات البيانات الأكبر. ولضمان فعالية الأداء، تم تقديم تقنية جديدة تحمل اسم "استراتيجية التوزين المعتمد على الخسارة" (Loss-Based Weighting) المعروفة اختصاراً بـ FedLBW.

تعمل FedLBW على منح كل تحديث وزنًا يتناسب مع عكس خسارته أثناء التحقق، وهو ما يُحتسب باستخدام مجموعة بيانات وكلاء صغيرة على الخادم، بدلاً من الاعتماد على حجم مجموعة بيانات العميل. هذه الاستراتيجية تضمن أن النماذج ذات الخسارة الأقل تؤثر بشكل أكبر في عملية التجميع، مما يعزز من موثوقية التحديثات ويدفع الأداء بشكل عام إلى مستويات أعلى.

تجارب شاملة على مجموعات بيانات متعددة بما في ذلك FashionMNIST وCIFAR-10 وCIFAR-100 أثبتت أن FedLBW تحقق دقة أعلى وسرعة تقارب أفضل مقارنة بالخوارزميات الأساسية مثل FedAvg وFedAvgM وFedProx وغيرها. حيث أظهرت تحسناً ملحوظاً يصل إلى 7.6% في دقة CIFAR-10 في الحالات غير المستقلة بشكل متطرف.

علاوة على ذلك، أظهرت FedLBW درجة استثنائية من المرونة أمام تزايد احتمالات الانقطاع، حيث حافظت على دقة أعلى بشكل ملحوظ حتى في الظروف الصعبة. هذه النتائج تجعل من FedLBW حلاً فعالاً ومرناً للتعلم الفيدرالي في بيئات الشبكات اللاسلكية، مما يقدم تحسينات ملحوظة في دقة النماذج وسرعة التقارب وموثوقية الأداء أمام البيانات غير المستقلة.