في عالم الذكاء الاصطناعي، يُعتبر التنبؤ الزمني المُوزع أمرًا ذا أهمية بالغة، لكنه يواجه تحديات كبيرة بسبب القيود المفروضة على مشاركة البيانات. ولذا، أُدخلت تقنية التعلم الفيدرالي (Federated Learning) كبديل واعد، إلا أن معظم الخوارزميات التقليدية تحتاج إلى هياكل نماذج متجانسة، مما يعيق إمكانية العمل مع البيانات ذات الاختلافات الهيكلية.

إليكم الحل! نقدم لكم PiXTime، إطار عمل جديد يعتمد على النماذج التحويلية (Transformers)، مصمم ليتعامل بشكلٍ أصلي مع البيانات الزمنية المتنوعة ويستفيد منها. تعتمد PiXTime على بنية تفكيك المعلمات (Parameter-Decoupling Architecture)، حيث يتم تقسيم النموذج إلى وحدات محلية مُخصصة وعامة. الوظائف المحلية الخاصة بالعقد تعمل كمحول للأبعاد، مما يسمح بتحويل تسلسلات البيانات المتنوعة إلى مساحة تمثيل موحدة.

وبالتزامن مع ذلك، تقوم وِحدة الجدول المتزامن عالميًا (VE Table) بإدخال هويات فئوية متسقة لمجال الخصائص، مما يمكّن الهيكل العظمي المشترك من التعلم الجماعي والتعميم عبر توزيعات متغيرة غير متناسقة.

أظهرت التقييمات الشاملة على مجموعة من المعايير أن PiXTime يحقق أداءً متفوقًا في البيئات الفيدرالية غير المتجانسة، مع الحفاظ على قوة فائقة في إعدادات التنبؤ المتجانسة والمركزية.

هل أنتم متحمسون لاكتشاف كيف يمكن أن تؤثر هذه التقنية الجديدة على مستقبل التنبؤ الزمني؟ شاركونا آراءكم في التعليقات!