في عالم الذكاء الاصطناعي المتطور، تمثل تقنية التعلم الفيدرالي (Federated Learning) خطوة كبيرة نحو تدريب النماذج بشكل تعاوني دون الحاجة لمشاركة البيانات الخام. ومع ذلك، فإن التباين الإحصائي في توزيع بيانات المستخدمين قد يؤدي إلى تدهور أداء النماذج، مما يثير تساؤلات حول كيفية تحسين هذه العملية. هنا يأتي دور FedXDS (التعلم الفيدرالي عبر مشاركة البيانات الموجهة بواسطة الذكاء الاصطناعي القابل للتفسير).

أثبتت تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) نجاحاً كبيراً في السنوات الأخيرة من خلال القدرة على التعرف على الميزات المهمة في البيانات المدخلة التي توجه قرارات نماذج التعلم العميق، مما يعزز من فهم المستخدمين للنماذج. لكن حتى الآن، كان استخدام XAI في مجالات التعلم الآلي المجاورة غير مستكشف بشكل كافٍ. في هذه الورقة البحثية، تظهر النتائج كيف يمكن استخدام XAI في سياق التعلم الفيدرالي بشكل فعّال.

يعتمد FedXDS على تقنيات نسبة الميزات لتحديد البيانات التي يجب مشاركتها بين العملاء بشكل انتقائي، مما يساعد في تقليل التباين بين البيانات. من خلال توظيف تقنية النسبة المعتمدة على الانتشار، يمكن لهذا الأسلوب تحديد الميزات الضرورية للمهام من خلال تمريرة عكسية واحدة، مما يمكّن من تحسين دقة النموذج وسرعة التقارب.

لضمان الخصوصية، تم دمج تقنيات خصوصية المقياس التي تقدم ضمانات خاصة رسمياً مع الحفاظ على فائدة البيانات. تظهر النتائج التجريبية أن هذا النهج يحقق بشكل متسق دقة أعلى وتقارب أسرع مقارنةً بالأساليب الحالية رغم تباين عدد العملاء وإعدادات البيانات.

تعد هذه الدراسة خطوة محورية نحو استخدام الذكاء الاصطناعي القابل للتفسير في مجالات جديدة وتؤكد على أهمية حماية البيانات في عصرنا الرقمي.

لمزيد من التفاصيل ورمز المصدر، يمكنك زيارة رابط المشروع على GitHub. هل أنتم مستعدون لحماية بياناتكم وتعزيز أداء نماذجكم؟ شاركونا آرائكم في التعليقات.