في عالم التكنولوجيا الحديثة، يتعاظم الحديث عن قضايا الخصوصية والأمان، خاصةً عندما يتعلق الأمر بالتعلم الفيدرالي اللامركزي (Decentralized Federated Learning). فإنه يقدم فرصة رائدة لتدريب نماذج تعلم الآلة دون الحاجة لوجود خادم مركزي، ولكن على الرغم من ذلك، تظل المخاطر قائمة. فالتحديثات المشتركة للنماذج يمكن أن تكشف عن معلومات حساسة، مما يعرضها للتهديدات مثل عكس التحديثات والهجمات الناتجة عنها.

تمثل الخصوصية التفاضلية (Differential Privacy) الحل الرسمي لهذه المشكلات، ولكن للأسف، فإن الأساليب الحالية غالبًا ما تفتقر إلى الشفافية بشأن الضوضاء التي تم إدخالها من قبل المشاركين السابقين. وعليه، تضيف كل عميل اضطرابًا كاملاً وفي أسوأ الحالات في كل خطوة، مما يؤدي إلى تدهور الدقة بشكل كبير. هنا يأتي دور PrivateDFL، الإطار الجديد الذي يجمع بين الحوسبة الفائقة الأبعاد (Hyperdimensional Computing) ومراقب ضوضاء شفاف.

يساعد هذا المراقب في تتبع الاضطراب التراكمي في النموذج المشترك، مما يسمح لكل عميل بإضافة الضوضاء الحد الأدنى المطلوبة فقط لتحقيق ميزانية الخصوصية الخاصة به. وقد أثبتت الدراسة أن كل نموذج يتم إرساله يحقق الضمان المستهدف للخصوصية، وأن الضوضاء التراكمية تنمو بشكل لوغاريتمي وفقًا لعدد العملاء، بدلاً من النمو الفائق السرعة الذي يحدث في غياب المحاسبة.

أظهرت التجارب في مجالات مثل الصور والكلمات المنطوقة وأجهزة الاستشعار القابلة للارتداء، أن PrivateDFL يتفوق على المعايير التقليدية، حيث حقق تحسينًا في الدقة بنسبة 16% في الصور، و62% في الكلمات المنطوقة، و14% في استشعار النشاط البشري. كما تم تقليل زمن الاستدلال بشكل مثير، حيث وصل إلى 119 مرة وأيضًا تقليل استهلاك الطاقة بمعدل يصل إلى 143 مرة.

وهذا يجعل PrivateDFL حلاً عمليًا مثاليًا للتعلم التعاوني الذي يحافظ على الخصوصية في مجالات لا يمكن فيها تجميع البيانات الحساسة، مثل الرعاية الصحية ومراقبة نشاط الإنسان. هل أنتم متحمسون لرؤية المزيد من التطورات في هذا المجال؟ شاركونا آراءكم في التعليقات.