يشهد عالم الذكاء الاصطناعي تطورات مستمرة، وواحدة من أبرز هذه التطورات هي تقنية التعلم الفيدرالي (Federated Learning)، التي تتيح تدريب النماذج عبر عملاء موزعين مع الحفاظ على خصوصية البيانات. ومع ذلك، فإن التباين في البيانات والأنظمة يمكن أن يؤدي إلى ظاهرة معروفة باسم "نسيان الكارثة"، والتي تؤدي إلى انخفاض أداء النماذج وتدهور النتائج.

في هذا السياق، يظهر معيار جديد يُعرف باسم FedRef، وهي طريقة متطورة للتنقيح البايزي (Bayesian Fine-Tuning) تستفيد من نموذج مرجعي تم إنشاؤه من نماذج عالمية سابقة. من خلال استخدام تقنية التنظيم القائمة على تقدير الحد الأقصى للأرجحية (MAP)، تعمل FedRef على ضبط تحديثات النماذج العالمية نحو نموذج مرجعي موحد على مدار الزمن، مما يساعد على تقليل آثار نسيان الكارثة ويحسن استقرار التحديثات.

تتسم FedRef بكونها متميزة عن الأساليب السابقة من خلال إجراء جميع عمليات التنقيح على جانب الخادم، مما يقلل من عبء الحوسبة على جانب العميل مع الحفاظ على تحسين عالمي فعال. أظهرت التجارب التي أجريت على تصنيف الصور (مثل FEMNIST وCINIC-10) وتقسيم الصور الطبية (FeTS2022) أن FedRef توفر أداءً تنبؤياً متفوقًا وزمن تقارب أسرع تحت ظروف غير متجانسة، مما يجعلها خيارًا واعدًا للتطبيقات الواقعية في التعلم الفيدرالي.