أحدثت تكنولوجيا التعلم الفيدرالي (Federated Learning) ثورةً في طريقة تدريب النماذج الذكية، حيث تسمح بتحسين النماذج دون الحاجة لنقل البيانات الحساسة من الأجهزة إلى خوادم مركزية. ورغم ذلك، كانت هناك تحديات كبيرة تتعلق بالبيانات غير المتوازنة (Non-IID) التي كانت تؤثر سلباً على جودة البيانات المُنتجة.

في هذا السياق، نقدم لكم إطار العمل المتطور "FedMITR"، الذي يمثل قفزة نوعية في عالم التعلم الفيدرالي. يتميز هذا الإطار الجديد بقدرته على استرجاع نماذج عالية الجودة من خلال استغلال الصور الاصطناعية بشكل كامل، مما يزيد من دقة النموذج الجماعي (Global Model) عبر جولة واحدة من الاتصال.

يعتمد FedMITR على مفهوم "عكس النموذج النادر" (Sparse Model Inversion)، مما يسمح بانتقاء المناطق الدلالية الحيوية في الصورة أثناء إنشاء البيانات. هذا يعني أنه بدلاً من الانغماس في تفاصيل الخلفيات غير المفيدة، يركز FedMITR على الجوانب الأكثر أهمية في الصورة.

علاوة على ذلك، يستفيد الإطار من استراتيجيات إعادة تسمية متفردة تعزز دقة التنبؤات. حيث يتم استخدام تسميات افتراضية للمناطق ذات الكثافة المعلوماتية العالية، بينما تخضع المناطق الأخرى لتسمية جديدة عبر نماذج جماعية لضمان دقة أكبر.

تظهر النتائج التجريبية أن FedMITR يتجاوز النماذج الحالية تحت ظروف مختلفة، مما يؤكد فعاليته وقدرته على تحسين الأداء.