ثورة التعلم الفيدرالي: تقنيات مبتكرة لتحسين الأداء اللاسلكي بدون تزامن

في عالم الذكاء الاصطناعي، تُعد تقنيات التعلم الفيدرالي (Federated Learning) واحدة من التطورات التي تُحدث فارقًا كبيرًا في كيفية معالجة البيانات وتحسين الأنظمة. من بين هذه التقنيات، تأتي تقنية التعلم الفيدرالي عبر الهواء (OTA-FL) التي تُسهم في تقليص زمن الاتصال عن طريق استغلال تراكب الموجات. ومع ذلك، تواجه هذه التقنية تحديات كبيرة تتعلق بالجمع التحليلي التقليدي الذي يعتمد على المعلومات الفورية لحالة القناة (CSI) ومحاذاة الطور المتماسك، وهي متطلبات قد يصعب تحقيقها في أنظمة الشبكة اللاسلكية العملية.

تقدم الدراسة الجديدة مفهوم فرق طاقة عناصر الموارد (REED)، وهو آلية تجميع غير متماسكة تسمح بتحديثات مستمرة موقعة من دون الحاجة إلى CSI فوري. تعتمد تقنية REED على رسم الخرائط للأجزاء الإيجابية والسلبية لكل تحديث ذي قيمة حقيقية إلى طاقات إرسال على عنصرين موارد متعامدين مع تخبطات طور مستقلة. يقوم الخادم بتقدير المجموع الموقّع من خلال فرق الطاقة الخاص بهما.

تُظهر الأبحاث أن REED لا تتطلب إلا معايرة بطيئة لطاقات القنوات المتوسطة، مما يجعلها غير متحيزة بالنسبة للمجموع الموقّع المرغوب فيه وتقبل تباين مغلق الشكل بدقة في ظل تغيرات رايلي (Rayleigh Fading). تم دمج تقنية REED مع طريقة FedAvg (التجمع الفيدرالي المتوسط) وأثبتت فعالية في تحقيق حدود استقرارية ناعمة غير محدبة.

تسمح ميزانية الطاقة المتوسطة لكل عميل بجدولة المكاسب في التجميع بحيث تتناسب الاضطرابات الناتجة عن REED مع الخطوة المحلية بشكل تربيعي، مما يُسهل تحقيق معدل الاستقرارية الكلاسيكي (1/√T).

تُظهر التجارب التي أُجريت على مجموعات بيانات مثل MNIST وFashion-MNIST أن REED تطابق بدقة أسلوب FedAvg النظيف والتجمع المتماسك في إعدادات مماثلة، مع المحافظة على استقرارية جيدة رغم وجود تباين بيانات كبير. هذه الابتكارات تمثل خطوة مهمة نحو تحسين الأداء في البيئات الحقيقية، مما يتطلب منا التفكير في إمكانيات التعلم الفيدرالي ودوره المستقبلي في معالجة البيانات.