في عالم الذكاء الاصطناعي، يعتبر التعلم الفيدرالي غير المتزامن (Asynchronous Federated Learning) أحد التطورات الحديثة التي تعزز من قابلية التوسع من خلال تحديث النموذج العالمي من خلال تخزين تحديثات العملاء على الخادم بدلاً من الانتظار لجميع العملاء. ومع ذلك، تثير هذه الطريقة تحديات خفية، مثل "فشل الندرة الصامت"، حيث يساهم العملاء الذين يحملون تسميات نادرة بشكل ضعيف في النموذج العالمي مما يؤثر سلباً على نوعية التصنيف.

تُظهر الأبحاث الحديثة كيفية حدوث هذا الفشل بسبب تداخل تأثيرين: يتمثل الأول في أن العملاء الذين يمتلكون تسميات نادرة قد يقدمون تحديثات أقل تكرارًا مما يؤدي إلى تحيز في المشاركة، بينما يتمثل الثاني في أن عملية التكتل القياسية لا تعطي قيمة تعويضية للتحديثات الخاصة بالعملاء ذوي التسميات النادرة، مما يخلق تحيزًا في التكتل.

لذا، تم تطوير تقنية FedRAW، وهي طريقة جذرية تركز على التكتل الخادمي بالكامل، مما يحافظ على تأثير التسميات النادرة دون تغيير في التدريب المحلي أو أهداف العملاء أو بروتوكولات الاتصال.

تعتمد FedRAW على تقنيات مثل مقاومة تكرار تحديثات العملاء وتطبيق وزن خاص للتسميات النادرة، مما يزيد من تأثير هؤلاء العملاء. أظهرت التجارب على مجموعات بيانات مثل EMNIST Balanced وCIFAR-10 وHAM10000 وISIC-2019 أن FedRAW تُحسن من دقة التصنيف للتسميات النادرة مع الحفاظ على دقة عالمية مقاربة وإضافة حسابات خفيفة على مستوى الخادم.

إذا كنت مهتمًا بأحدث التقنيات التي تعزز من مساهمة البيانات النادرة في التعلم الفيدرالي، فإن FedRAW تمثل خطوة نحو المستقبل! كيف ترى تأثير هذه التقنية في تطوير الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.