في ظل التطورات السريعة في الذكاء الاصطناعي، يظهر التعلم الفيدرالي كأحد أهم المجالات التي تثير الإعجاب، خاصة عند الحديث عن التعلم الفيدرالي القائم على تعلّمسلالنسبية الزمنية (Federated Class-Incremental Learning - FCIL). ولكن مع تعقيد المهمة عندما يواجه المستخدمون مجموعات لَبنات مختلفة من التسميات، يصبح هذا المجال أكثر تحدياً.

تعتمد الطرق التقليدية في FCIL على الحفاظ على المعرفة القديمة من خلال توليد مدخلات مكونة، لكنها كثيراً ما تكون هشة وأقل كفاءة عند التعامل مع تدفقات المهام المتنوعة.

للتغلب على هذه المشكلة، تقدم الدراسة الجديدة نموذجاً مبتكراً يعرف بـ"PRO"، الذي يستبدل تقنية إعادة عرض المدخلات الاصطناعية بأخرى تُعرف باسم "تنسيق إعادة العرض المُوجه". هذا النموذج يهدف إلى إزالة حاجة التدريب المسبق، بحيث يتم تقييم كافة الأساليب دون الاعتماد على التدريب الخارجي.

يحتفظ نموذج PRO بذكريات موجهة مُركّزة على مستوى الفئات على الخادم، ما يُسهل على العملاء إجراء تدريب متعدد المهام بشكل متوازن على أمثلة حالية وذكريات قديمة. ولتعزيز قدرة النموذج على التعامل مع انحراف التمثيل الأقوى، تم تقديم "PRO-MAX" الذي يُعزز PRO بتوازن التوافق الذاكرة المستندة إلى الجوار.

وورد في نتائج الأبحاث أن PRO وPRO-MAX يحسنان من انتعاش المعرفة القديمة والفائدة النهائية في ظل تدفقات متنوعة، مع الحفاظ على أداء تنافسي في مجالات FCIL المتجانسة. حتى عند منح نماذج الأساس ميزانية أكبر للإعادة، إلا أنها شهدت تراجعاً تحت عدم توازن الإشراف، مما يتطلب التفكير في نوعية إعادة العرض وليس فقط كميتها.

إن الابتكارات في تقنيات التعلم الفيدرالي تشير بوضوح إلى آفاق واعدة في مجالات الذكاء الاصطناعي، مما يفتح المجال لكثير من الفرص لاستكشاف التحديات الجديدة. هذه التقنيات الحديثة تعد نقلة نوعية في عالم الذكاء الاصطناعي، فهل أنتم مستعدون لاستكشاف المزيد؟ إذا كان لديكم أي آراء أو أسئلة، لا تترددوا في مشاركتها معنا!