SUM: منهج على جانب الخادم لمواجهة «النسيان» في التعلّم المستمر الاتحادي، بتحسّن يصل إلى 22%
نشر باحثون على arXiv منهج SUM للتعلّم المستمر الاتحادي (FCIL). يعالج المنهج «النسيان الكارثي» بالكامل على جانب الخادم، إذ يعدّل «متجهات التكيّف» أثناء تجميع التحديثات، ويحقق تحسّنًا يصل إلى 22% على المناهج السابقة في اختبارات الرؤية واللغة، دون تحميل الأجهزة العميلة أي عبء. ويعمل المنهج بوصفه إطارًا يعمل على جانب الخادم فقط، فلا يتطلب أي حوسبة أو اتصالات أو ذاكرة إضافية على جانب العميل.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.LG؛ بتحرير Hamidun News
نشر فريق من الباحثين على arXiv في يوليو 2026 منهج SUM (Unified Geometric Surgery on Spatio-Temporal Adaptation Vectors)، وهو إطار يعمل على جانب الخادم للتعلّم المستمر الاتحادي. يقلّل المنهج «النسيان الكارثي» ويحقق تحسّنًا في الجودة يصل إلى 22% على المناهج السابقة في FCIL.
ما المشكلة التي يعالجها منهج SUM
يتصدى منهج SUM لـ«النسيان الكارثي المكاني-الزماني» (Spatial-Temporal Catastrophic Forgetting، ST-CF)، أي فقدان المعرفة عند تقاطع نهجين في التعلّم. يجمع التعلّم الاتحادي التزايدي بالفئات (Federated Class Incremental Learning، FCIL) بين التعلّم الاتحادي (Federated Learning، FL)، حيث يتعلّم النموذج من بيانات معزولة لدى عملاء مختلفين، والتعلّم المستمر (Continual Learning، CL)، حيث تصل المهام تباعًا.
ووفق ما ورد في الورقة على arXiv، يولّد هذا الجمع مصدرين للتداخل في آن واحد. الأول تداخل مكاني ناجم عن عملاء غير متجانسين تختلف بياناتهم. والثاني تداخل زمني ناجم عن المهام المتتابعة، إذ تزاحم المعارف الجديدة المعارف القديمة. وقد عالجت المناهج السابقة هاتين المشكلتين بآليات منفصلة، وكثيرًا ما حمّلت العملاء حوسبة إضافية أو تبادلًا إضافيًا للبيانات، ولم تضبط التفاعلات الاتجاهية بين التحديثات أثناء التجميع.
كيف تعمل «الجراحة الهندسية»
يعمل SUM بالكامل على جانب الخادم، ويعدّل «متجهات التكيّف» أثناء تجميع التحديثات. ويقترح المؤلفون النظر إلى FCIL بوصفه مسألة واحدة من مسائل التعلّم متعدد المهام، تُعدّ فيها التحديثات الصادرة عن العملاء وعن المهام معًا متجهات في فضاء معاملات مشترك.
- SUM إطار يعمل على جانب الخادم، دون حوسبة أو اتصالات أو ذاكرة إضافية على جانب العميل
- يزيل Spatial SUM التداخل بين العملاء داخل كل جولة تدريب
- يزيل Temporal SUM (السببي المباشر) التداخل بين المهام عبر الزمن
- التحسّن في الجودة يصل إلى 22% على مناهج FCIL السابقة
- جرى الاختبار على معايير الرؤية الحاسوبية واللغة، مع الصمود أمام العملاء غير الموثوقين
إلى أي مدى يتفوق على المناهج السابقة
يتفوق SUM على مناهج FCIL السابقة بما يصل إلى 22% في مجموعة متنوعة من معايير الرؤية واللغة، ويحافظ في الوقت نفسه على الكفاءة الحاسوبية. والفارق الجوهري أن «الإصلاح» كله يجري أثناء التجميع على الخادم، فلا يحتاج العملاء إلى حوسبة إضافية ولا إلى إرسال بيانات زائدة.
«يخفّض
Spatial SUM التداخل على مستوى العملاء داخل كل جولة، بينما يزيل Temporal SUM السببي المباشر التداخل بين المهام عبر الزمن دون حوسبة أو اتصالات أو ذاكرة إضافية على جانب العميل تتجاوز التعلّم الاتحادي القياسي»، بحسب ملخص الورقة على arXiv.
ويشير المؤلفون بصورة منفصلة إلى صمود المنهج أمام العملاء غير الموثوقين، وهم الذين يرسلون تحديثات مشوّشة أو ناقصة. وهذا مهم للأنظمة الموزعة الواقعية، إذ يعمل جزء من الأجهزة فيها دائمًا بصورة غير مستقرة.
ماذا يعني ذلك
التعلّم المستمر الاتحادي سيناريو للأنظمة التي تحتاج إلى التعلّم من بيانات خاصة متفرقة، وإلى التكيّف مع مهام جديدة دون إعادة التدريب من الصفر. ويبيّن SUM أن مواجهة النسيان ممكنة على الخادم دون نقل العبء إلى الأجهزة العميلة، مما يجعل المنهج قابلًا للتطبيق على الهواتف وإنترنت الأشياء (IoT) وغيرها من الأجهزة محدودة الموارد.
الأسئلة الشائعة
ما هو Federated Class Incremental Learning؟
FCIL هو الجمع بين التعلّم الاتحادي (يتعلّم النموذج من بيانات معزولة لدى عدد كبير من العملاء دون تجميعها في مكان واحد) والتعلّم التزايدي بالفئات (تصل الفئات والمهام الجديدة مع مرور الوقت). والصعوبة الرئيسية هي «النسيان الكارثي»، أي أن يفقد النموذج معارفه القديمة عند تعلّم معارف جديدة.
بماذا يختلف SUM عن مناهج FCIL السابقة؟
يعمل SUM على الخادم فقط، ويجمع مواجهة التداخل المكاني والزماني في آلية واحدة هي «الجراحة الهندسية» على متجهات التكيّف. أما المناهج السابقة فاستخدمت آليات منفصلة وحمّلت العملاء عبئًا في كثير من الأحيان، في حين لا يتطلب SUM منهم أي حوسبة أو اتصالات أو ذاكرة إضافية.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.