تعلم موحد يقاوم عدم اليقين: تحليل حركات الأطفال لمستقبل مشرق

في عالم يشهد تطورات مذهلة في تقنية الذكاء الاصطناعي، يأتي تحليل حركات الأطفال كتطبيق يوفر مؤشرات حيوية ضرورية للتشخيص المبكر للاضطرابات النمائية. مع التحسينات الأخيرة في نماذج التعلم العميق (Deep Learning)، أصبح بالإمكان تحليل الحركات من خلال تمثيلات هيكلية مأخوذة من مقاطع الفيديو، مما يحقق أداءً يقارب التقييمات الخبيرة.

تعتمد معظم الأساليب الحالية على التعليم المركزي، حيث يتم جمع البيانات من مؤسسات متعددة وتخزينها في موقع واحد. لكن، هذه الفرضيات غالبًا ما تكون غير عملية في البيئات السريرية بسبب القيود المتعلقة بالخصوصية وإدارة البيانات. لذا، نقدم لكم، حسب علمنا، أول إطار عمل لتعلم موحد يقوم على تحليل حركات الأطفال بشكل آلي، مما يعزز تقييم الحركة العامة (General Movement Assessment - GMA) باستخدام بيانات الحركة الهيكلية.

هذا الإطار يُقيّم في سياق تصنيف الحركات غير الهادئة (Fidgety Movements). لتقدير ثقة النموذج، نستعين باستراتيجية مونت كارلو (Monte Carlo - MC) Dropout، التي تقدّر عدم اليقين التنبؤي أثناء الفحص. من خلال ذلك، نقترح استراتيجية تعليم موحد مقاوم لعدم اليقين (Uncertainty-Aware Federated Averaging - UA-FedAvg) التي تدمج الإنتروبيا التنبؤية المستمدة من MC-Dropout في عملية التجميع، مما يتيح تعديل مساهمات العملاء حسب عدم اليقين التنبؤي.

أُجريت التجارب باستخدام بروتوكول تقييم يتضمن ثلاثة عملاء لتعلم موحد. أظهرت النتائج أن التعلم الموحد يحسن بشكل ملحوظ أداء التصنيف مقارنة بالنماذج المحلية المدربة بشكل مستقل، محققًا أداءً قريبًا من التعليم المركزي. بالإضافة إلى ذلك، عادةً ما تتفوق UA-FedAvg ونسختها التي تتضمن فقدان التحقق على تقنية FedAvg التقليدية في معظم تكوينات تقسيم البيانات.

هل أنتم مستعدون لاستكشاف تطبيقات التعلم الموحد في مجال تحليل حركات الأطفال؟ شاركونا آراءكم في التعليقات!