تعتبر تقنية التعلم الفيدرالي الموزع (Split Federated Learning) نموذجًا ثوريًا يسمح بتدريب النماذج بشكل موزع عن طريق تقسيم الشبكات بين الخادم والعملاء. ومع ذلك، فإن التحدي يكمن عندما يختلف العملاء في توزيع بياناتهم أو ديناميكيات التكيف أو تقدم التعلم. وبالتالي، فإن استراتيجية التقسيم الثابتة التقليدية قد لا تكون فعالة لكل عميل.

لذا جاء إطار العمل الجديد "FedSGA"، والذي يمكّن من تقدير العمق الضحل للاحتياجات وفقًا لكل عميل. يبدأ الإطار بإنشاء قناة تكيفية محددة لكل عميل تعتمد على رموز تنشيط خاصة، مما يتيح تتبع ديناميكيات التكيف المحلي بشكل منفصل عن الشبكة المشتركة. هذه القناة توفر إشارة خفيفة الوزن لتحديد ما إذا كان التكيف الخاص بالعميل لا يزال نشطًا.

أكبر ميزة في "FedSGA" هي تصميمها لمقدر الكفاية الضحلة، الذي يجمع بين تنسيق المعاني عبر العملاء، واستقرار الواجهات الزمنية، وتغير حالة الرموز لتقدير ما إذا كان الشق الضحل كافيًا بالفعل. وأيضًا تم تقديم وحدة تنسيق واجهة متوافقة مع الشق، تعمل على تحويل التفاعلات من أعماق مختلفة إلى فضاء دلالي مشترك، مما يحسن إمكانية المقارنة بين واجهات العملاء المتنوعة قبل توقعات الخادم.

من خلال العديد من التجارب على معايير هتروجينية متعددة، أثبت إطار "FedSGA" فعاليته في تحسين أداء النموذج مقارنة بأحدث الطرق، مع تقليل الحسابات غير الضرورية على جانب العميل. يعد هذا التحول خطوة هامة نحو تجاوز قيود التعلم الفيدرالي التقليدي واستخدام إمكانيات العملاء بشكل أفضل.