FedPix: إرسال الصور المضغوطة من العميل للحد من التسرب في التعلم الاتحادي
تتناول المقالة المعلومات التي ينبغي السماح للعميل بإرسالها إلى الخادم، وتقترح تدريب النظام على إرسال صور مدمجة قابلة للتحقق بصريًا بدلًا من أوزان النموذج أو التمثيلات الوسيطة. في مجموعات بيانات BloodMNIST وCIFAR-10 وFashionMNIST وMNIST، يحقق النهج قيمة PSNR منخفضة عند إعادة البناء، ويقلل زمن المعالجة على جانب العميل بنسبة تصل إلى 96,0%، مع دقة تتراوح بين 65,63 و99,18%.

المشكلة: ما الذي لا تعالجه الأساليب المعتادة
تركّز الأساليب الحالية للذكاء الفيدرالي على تدريب النماذج أو تجميعها. أما السؤال عن المعلومات التي ينبغي إرسالها من العميل، فيظل دون معالجة. وهذا يفرض قيودًا.
- يصعب على المستخدمين التحقق من تحديثات النماذج.
- قد تكشف تمثيلات البيانات معلومات حساسة.
- قد يتطلب إنشاء التمثيلات موارد حوسبية كبيرة من العملاء محدودي الموارد.
يتعلم FedPix إرسال صور صغيرة الحجم يسهل التحقق منها بصريًا. وهو بديل لتحديثات النماذج والسمات الوسيطة. معيار الاختيار: إذا كانت البيانات المُرسلة بحاجة إلى مراجعة بشرية، وكانت موارد العميل محدودة، فمن الجدير النظر في هذا الأسلوب.
آلية العمل: ما البيانات التي يرسلها العميل
يرسل العميل صورًا صغيرة الحجم يسهل التحقق منها بصريًا. وتُستخدم التمثيلات المُرسلة في تدريب آلية اختيار المعلومات: ما الذي يجب الاحتفاظ به وما الذي يجب استبعاده. وتوازن الطريقة بين الفائدة للمهمة ومقاومة إعادة البناء.
| خيار الإرسال | ما يتم إرساله | ما ينبغي مراعاته |
|---|---|---|
| تحديثات النماذج | تحديثات النماذج | يصعب على المستخدمين التحقق منها |
| السمات الوسيطة | تمثيلات البيانات | قد تكشف معلومات حساسة؛ وإنشاءها مكلف للعملاء محدودي الموارد |
| FedPix | صور صغيرة الحجم يسهل التحقق منها بصريًا | الموازنة بين الفائدة ومقاومة إعادة البناء |
يحسّن الخادم التمثيلات من دون الوصول إلى بيانات العملاء الأصلية. وتكون الأعباء الحوسبية على العميل منخفضة. ويفترض المؤلفون أن تصنيف الصور لا يتطلب كل التفاصيل البصرية اللازمة لإعادة بناء الصورة الأصلية.

معيار الاختيار: ينبغي أن يتيح خيار الإرسال التحقق البصري. ويجب ألا يتمكن الخادم من الوصول إلى بيانات العملاء الأصلية. كما ينبغي أن تظل الأعباء على العميل منخفضة.
النتائج: الدقة ومقاومة إعادة البناء والوقت
اختُبر FedPix على BloodMNIST وCIFAR-10 وFashionMNIST وMNIST. ويورد المؤلفون دقة التصنيف، كما يعرضون بشكل منفصل مقاييس مقاومة إعادة البناء ووقت التنفيذ على العميل.
| مجموعة البيانات | دقة التصنيف |
|---|---|
| MNIST | 99.18% |
| FashionMNIST | 89.97% |
| BloodMNIST | 82.24% |
| CIFAR-10 | 65.63% |
- تبلغ PSNR لإعادة البناء 6.87 dB كحد أقصى.
- تبلغ PSNR الاصطناعية 6.74 dB كحد أقصى.
- يصل خفض وقت التنفيذ على العميل إلى 96.0%.
- انخفض الوقت على CIFAR-10 من 1223 ثانية إلى 49 ثانية.
معيار الاختيار: قارن الدقة على مجموعة البيانات المستهدفة بالدقة المقبولة للمهمة. وقيّم وقت التنفيذ على العميل ومقاومة إعادة البناء كلًا على حدة.
حدود الاستخدام
يعمل FedPix مع تصنيف الصور. ويفترض المؤلفون أن التصنيف لا يتطلب كل التفاصيل البصرية اللازمة لإعادة البناء. وتشمل التجارب أربع مجموعات بيانات.
- المهمة هي تصنيف الصور.
- مجموعة البيانات المستهدفة هي واحدة من BloodMNIST أو CIFAR-10 أو FashionMNIST أو MNIST.
- لا تتناول الورقة مهام أو مجموعات بيانات أخرى.
المعيار: تحقق من أن المهمة هي تصنيف الصور، وأن مجموعة البيانات واحدة من المجموعات الأربع الواردة في الورقة. ولا تتناول الورقة مهامًا أو مجموعات بيانات أخرى.
المصدر والحالة
قدّم المؤلفون طريقة FedPix في ورقة بعنوان «FedPix: Learning What to Share with Less Leakage in Federated Intelligence». نُشرت الورقة على arXiv تحت الرقم arXiv:2610.21194. وأشار المؤلفون إلى تاريخي الإصدارين: v1 — 15 أكتوبر 2026، وv2 — 19 أكتوبر 2026.
- المؤلفون: Jingwei Zhao وTiantong Sun وYuanyuan Song وJinhuan Guo وZishuo Wei وShengyu Huang وZiyuan Ren وWei Chen وXiaojin Zhang.
- أسهم Jingwei Zhao وTiantong Sun بالتساوي.
معيار التحقق: تحقّق من إصدار الورقة وقائمة المؤلفين قبل الاستشهاد بها.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
MaRK: التعديل السياقي للمعلمات التكرارية في نماذج SSM المدرّبة مسبقًا
يُقترح نهج يكيّف المؤثر التكراري لنموذج فضاء الحالة المجمّد وفقًا للسياق، عبر تغييرات منخفضة الرتبة في المعلمات تؤثر في نواة «المدخلات—المخرجات» عند كل خطوة من خطوات التوليد. وتُظهر المقارنة بين ثلاثة أشكال هندسية للمحوّلات تفوّق كثيرات حدود تشيبيشيف من حيث خطأ التحقق، بينما تتيح البارامترية المقيّدة التحقق التحليلي من الاستقرار.
14 نوفمبر 2026
B-PINN وانحياز المصادم: الأسباب والتشخيص والبديل القائم على السلاسل
يُظهر المؤلفون أن مخطط B-PINN الشائع، الذي تُربط فيه المعلمات القبلية المستقلة عبر دوال ترجيح افتراضية لبواقي المعادلات التفاضلية، قد يؤدي إلى تحيّز منهجي في التقديرات البعدية للكميات الفيزيائية. وبدلًا من ذلك، يقترحون نموذجًا تسلسليًا هرميًا مع تقطيع عشوائي للديناميكيات وأخذ عينات باستخدام particle MCMC، كما يقدمون معايير لتشخيص موثوقية النهج التقليدي.
14 نوفمبر 2026
الضبط الدقيق لنماذج توليد الصور: مراعاة التفضيلات والفئات معًا
تصف المقالة أسلوبًا للمواءمة اللاحقة للتدريب لنماذج تحويل النص إلى صورة في النطاق المفتوح، حيث تُستكمل إشارة التفضيلات البشرية بفحوص قائمة على معايير للتحقق من مدى مطابقة النتائج للمطالبات والخصائص المطلوبة. وتُظهر النتائج أن المتوسط المرجّح للمكافآت يحقق أداءً أدنى من المنهج المقترح، وأن Flux2dev وIdeogram-4 بعد الضبط الدقيق يحققان ارتفاعًا ملحوظًا في تصنيف Elo وفق لقطة Arena.
14 نوفمبر 2026