تعتبر أنظمة الذكاء الاصطناعي المتطورة اليوم تعتمد بشكل متزايد على التعلم الفيدرالي لتدريب نماذج الإدراك في بيئات موزعة تركز على الخصوصية وتكون محدودة الموارد. ومع ذلك، يواجه الممارسون صعوبة في تحديد تعقيد المهام قبل بدء التدريب، مما يتسبب في نقص الأدوات العملية التي تساعدهم على تقدير دقة المهام وجهود الاتصال المطلوبة.

لتجاوز هذه العقبة، نقدم إطار عمل قبل نشر لا يعتمد على مصنف محدد، يجمع بين خصائص البيانات الأساسية مثل الأبعاد، والتناسق، والتنوع، مع تكوين توزيع العملاء لتقدير تعقيد التعلم في أنظمة الإدراك الفيدرالية. من خلال دراسة التعلم الفيدرالي كبيئة تدريب موزعة نموذجية، نحلل كيف يختلف مستوى صعوبة التعلم عبر تكوينات فيدرالية مختلفة.

أظهرت التجارب التي أُجريت على ثلاثة نماذج معدلة من بيانات MNIST وجود علاقة سلبية قوية بين مقياس التعقيد المشترك والدقة الفيدرالية القصوى والمتوسطة، بينما أظهرت المكونات الأساسية والموزعة علاقات ثابتة مع جهود الاتصال. تشير هذه النتائج إلى أن تقدير التعقيد يمكن أن يعمل كأداة تشخيصية عملية لتخطيط الموارد، وتقيم البيانات، وتقييم الجدوى في أنظمة الإدراك الموزعة التي يتم نشرها في بيئات ملازمة للحدود.