في عالم الذكاء الاصطناعي، يبرز نموذج QSplitFL كابتكار مثير في مجال التعلم الفيدرالي (Federated Learning)، حيث يدمج بين التعلم الفيدرالي والتعلم المنقسم (Split Learning) لتوفير تجربة تعلم آمنة وفعالة على الأجهزة ذات القدرات المحدودة.

تتمثل التحديات الرئيسية في هذا التحول في تحديد النقطة المثلى للتقسيم، أي الطبقة التي يتم فيها تقسيم النموذج، خاصةً عند التعامل مع أجهزة ذات قدرات مختلفة. النقاط الثابتة للتقسيم قد تؤدي إلى تحميل الأجهزة الضعيفة وزيادة الحمل على الخادم، مما يؤثر سلبًا على سرعة التقارب واستقرار النظام.

هنا يأتي دور QSplitFL، وهو إطار عمل مبني على الشبكات العصبية العميقة الموجهة بالقدرات (Capable-aware Deep Q-Network - DQN). يتميز هذا النموذج بأنه لا يعتمد على تمثيلات أوزان النموذج ذات الأبعاد العالية ولكن يقوم باستخدام تمثيل بسيط مشتق مباشرة من مقاييس الأجهزة العميلة، مثل استخدام المعالج (CPU) والذاكرة ومستوى البطارية، ووقت استجابة الشبكة.

تعزز الخوارزمية المقترحة من فعالية التقارب المبكر من خلال وظيفة مكافأة مبتكرة تعتمد على الانخفاض التدريجي (decayed loss-drop reward function) وتستخدم هيكلية DQN قائمة على لجنة بالتصويت (committee-based DQN architecture) لتجنب خداع المكافآت.

تظهر النتائج التجريبية على مجموعات بيانات مثل MNIST و Fashion-MNIST و CIFAR-10 و CIFAR-100 أن QSplitFL يحقق تفوقًا في سرعة التقارب ودقة النتائج بالمقارنة مع الطرق الحالية، مما يجعله حلًا مثاليًا للتكيف مع موارد الأجهزة المتنوعة.

هل أنت متحمس لهذا الابتكار في الذكاء الاصطناعي؟ شاركنا أفكارك وتجاربك في التعليقات!