في عالم التعلم الآلي، يُعد التعلم الفيدرالي أحد أبرز المجالات التي تساهم في تحسين أداء النماذج دون الحاجة إلى مركزية البيانات. لكن ماذا يحدث عندما نواجه غياب بعض البيانات المتعددة؟ هنا يأتي دور النموذج الجديد ProMoE-FL (Prototype-conditioned Mixture-of-Experts) الذي يُعالج هذه المشكلة بشكل مبتكر.

يعمل ProMoE-FL على معالجة الفجوات الناجمة عن غياب بعض الأنماط (Modalities) في البيانات. حيث إن الطرق التقليدية تعتمد على مجموعات بيانات عامة إضافية أو تركيب ميزات بشكل ساذج يعتمد فقط على الأنماط المتاحة. لكن ProMoE-FL يأخذ خطوة جريئة من خلال إنشاء بنك بروتوتايب (Prototype bank) عالمي يُراعي السياقات السريرية عبر المؤسسات المختلفة.

تعتمد المنظومة على توجيه ذكي يُستند إلى هذه البروتوتايبات، مما يعزز من دقة والتنوع في تحليل الميزات المفقودة. وقد أظهرت نتائج التقييمات الكمية والنوعية على أربعة مجموعات بيانات للأشعة السينية الخاصة بالصدر (MIMIC-CXR، NIH Open-I، PadChest، وCheXpert) أن ProMoE-FL يتفوق باستمرار على الأساليب الحالية سواء في الظروف المتجانسة أو الأكثر تحديًا.

هذا النموذج ليس مجرد تقنية جديدة، بل يمثل تحولًا في كيفية تعاملنا مع البيانات الناقصة في التطبيقات الطبية، مُبشرًا بآفاق جديدة في التعلم الفيدرالي. من خلال تعزيز دقة البيانات وزيادة مرونة المعالجة، يُعد ProMoE-FL خطوة هامة نحو تحقيق نتائج أفضل في عالم يعدّ فيه التقدم التكنولوجي حاسمًا.