في عالمنا المتطور، تتزايد أهمية شبكات المركبات المستندة إلى التوأم الرقمي (Digital Twin-based Vehicular Networks - DT-VANET) لمساهمتها في توفير بيانات دقيقة وآمنة. ومع ذلك، تعاني العديد من التطبيقات من تحديات تتعلق بتنوع البيانات (data heterogeneity) وندرتها (data sparsity) بين المركبات، مما يعيق نجاح النموذج العالمي للتعلم الفيدرالي (Federated Learning - FL).

تقدم الدراسات الحديثة حلاً مبتكرًا من خلال دمج التعلم الفيدرالي الانتقالي (Federated Transfer Learning - FTL) مع أساليب جديدة لتعزيز قدرة الشبكات على التعامل مع اختلافات المركبات. يتضمن هذا الاقتراح تطوير نموذج جديد يُعرف باسم التعلم الفيدرالي الهرمي (Hierarchical Federated Transfer Learning - HFTL)، والذي يتيح تجميع المركبات بناءً على نوعها.

تشمل هذه الدراسة إنشاء إطار عمل لتطبيق DT-VANET مع تصميم خوارزميات خاصة لتحديث نماذج خادم السحابة (cloud server) وتنفيذ التعلم الفيدرالي داخل الكلاستر. وبذلك يتحسن أداء النموذج العالمي، مما يتيح له تقديم تنبؤات أكثر دقة.

ومن خلال آلية مندرجة وفقًا لجودة البيانات، يضمن البحث مقاومة النموذج العالمي لتأثير المركبات الخبيثة، مما يعزز مصداقية النتائج. وقد أظهرت التجارب التي تم تنفيذهما على مجموعات بيانات حقيقية تفوق الأداء وكفاءة الخوارزميات المقترحة.

تقدم هذه الدراسة رؤية واعدة لمستقبل شبكات المركبات، مما يسمح بتطبيقات أكثر أمانًا ودقة في العديد من المجالات. ما هي أفكاركم حول هذا الابتكار في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات!