استراتيجيات مبتكرة في تعلم الفيدرالية: تحسين تصنيف السحب النقطية

تشهد تقنية تحليل السحب النقطية (Point Cloud) تقدماً ملحوظاً في السنوات الأخيرة، غير أن استخدامها في البيئات الحساسة للخصوصية والتي تعاني من قيود الموارد يواجه تحديات متعددة. وفي دراسة جديدة، تم تقديم معايير شاملة لتقييم فعالية تقنيات تعلم الفيدرالية (Federated Learning) وتقطير المعرفة (Knowledge Distillation) في تصنيف السحب النقطية. تتناول الدراسة 13 خوارزمية لتعلم الفيدرالية و10 أهداف لتقطير المعرفة، مما يشكل 130 زوجاً من التقييمات على مدار 504 تجربة تدريب.

من أبرز النتائج التي توصلت إليها الدراسة أن الأداء ينخفض ​​بشكل حاد في حالات عدم توازن العلامات (non-IID) أثناء تعلم الفيدرالية. حيث سجلت أقوى الأساليب نسبة دقة بلغت 76.32% على مجموعة بيانات ModelNet40، مقارنةً بمعدل مركزي يبلغ 92.26%. وفي حالة البيانات السريرية، سجلت دقة 75.83% مقابل 100% في الحالة المركزية.

ثانياً، أظهرت عملية التقطير نجاحاً في تقليل نموذج المعلم إلى نموذج أصغر بحجم 74.51% وأسرع بشكل تقريبي عند الاستدلال، مما أدى إلى تحقيق دقة تعادل أو تفوق المعلم. ثالثاً، كشفت التحليلات عن عيب في تقييم نظم FL-KD حيث أدت بعض تكاملات التقطير إلى نتائج مضللة.

بناءً على هذه النتائج، ينصح الباحثون بتقييم نظم FL-KD باستخدام تقنيات التقطير بدون علامات حتى تعكس الدقة جودة المعلم الفيدرالي ولم تعد مرتبطة ببساطة بالتسميات الوهمية.