في عصر تكنولوجيا المعلومات المتقدمة، تبرز أهمية التعلم الفيدرالي (Federated Learning) كأداة فعّالة للتعلم من البيانات المنتشرة في بيئات متعددة، خاصةً في أنظمة إنترنت الأشياء (IoT) والإنترنت الصناعي (IIoT). ومع ذلك، يواجه هذا النوع من التعلم تحديات كبيرة، خاصة عندما يتعلق الأمر بالاختيار الفعال للعملاء.

تُعد تقنية VARS-FL (تقييم السمعة المتناسق مع التحقق للتعلم الفيدرالي) خطوة نحو تحسين هذه العملية. إذ تعتمد هذه التقنية على تقييم مساهمة كل عميل بناءً على تقليل فقدان التحقق على الجانب الخادم الناتج عن تحديثه، مما يسمح بتقدير دقيق لمساهماتهم في التدريب.

بدلاً من التعامل مع كل جولة من الاتصال بشكل مستقل، تجمع VARS-FL إشارات الأداء إلى نتيجة سمعة تأخذ في الاعتبار التقييمات المنحدرة من مساهمات العملاء الحديثة، مما يؤدي إلى تحسين كبير في كل من دقة النموذج وتقليل الوقت اللازم للتدريب.

نتائج الاختبارات على مجموعة بيانات Edge-IIoTset، التي تضم 100 عميل، تشير إلى أن VARS-FL تتفوق على تقنيات التعلم الفيدرالي الأخرى مثل FedAvg وOort، إذ تحقق دقة أعلى وتسجل انخفاضًا في الخسارة يصل إلى 36%.

هذه الإنجازات تبرز فعالية طريقة الاختيار المتسقة مع التحقق، حيث تقدم عملية تدريب أكثر موثوقية وكفاءة، مما يمهد الطريق لمستقبل أكثر سطوعًا في استغلال الذكاء الاصطناعي عبر أنظمة إنترنت الأشياء.