يتيح التعلم الاتحادي لأطراف متعددة أن تتعاون في تدريب نموذج عام واحد دون مشاركة بياناتها الخام، وهو ما يجعله مدخلًا واعدًا للتوفيق بين قوة التعلم الآلي ومتطلبات الخصوصية، غير أن هذا النمط من التدريب الموزع مكشوف أمام هجمات بيزنطية يرفع فيها عملاء خبيثون تحديثات نموذج مُتلاعبًا بها بقصد عرقلة التدريب أو خفض دقة النموذج العام، وتعالج الأساليب القائمة المقاومة لهذه الهجمات مسألة التجميع عند مستوى النموذج بأكمله، فتضعف فعاليتها أمام الهجمات التي تصيب طبقات محددة من الشبكة دون غيرها، كما تؤدي إلى إهدار معلومات نافعة كامنة في الطبقات السليمة من تحديثات أولئك العملاء أنفسهم، وهنا تبرز الحاجة إلى آلية كشف وتجميع تعمل بدقة أدق
أولًا: أهداف الدراسة ومنهجيتها
تقترح الدراسة إطارًا للتعلم الاتحادي أُطلق عليه اسم فيد إل سي دي، يقوم على كشف الاتساق عند مستوى الطبقات المفردة، إذ صمم الباحثان خوارزمية تجميع قوية ضد الهجمات البيزنطية تحسب قيم التشابه الزاوي الزوجية بين التحديثات عند دقة كل طبقة على حدة، فتحتفظ بالتحديثات ذات متوسط التشابه الأعلى وتستبعد ما عداها، وبذلك تُصفّى التحديثات الخبيثة مع الحفاظ على المعلومات السليمة الواردة من الطبقات غير المتأثرة في تحديثات العملاء أنفسهم، وقد أكد التحليل النظري أن الإطار المقترح يحقق معدل تقارب يتناسب عكسيًا مع إجمالي عدد جولات الاتصال، وهو المعدل نفسه الذي تحققه خوارزمية المتوسط الاتحادي القياسية، مع ضمان المقاومة البيزنطية متى شكل العملاء السليمون الأغلبية بين المشاركين في التدريب
ثانيًا: أبرز النتائج
أثبتت تجارب واسعة أُجريت على مجموعة بيانات سيفار عشرة للصور أن الإطار المقترح يحقق دقة مماثلة للأساليب المرجعية القائمة أو أعلى منها عبر سيناريوهات متنوعة من الهجمات البيزنطية، مع الحفاظ على أداء كشف قوي، ويتجلى تفوقه بدرجة خاصة في ظل هجمات الطبقات الجزئية، حيث تستطيع الأساليب العاملة عند مستوى النموذج الكامل أن تفقد جزءًا كبيرًا من فعاليتها، بينما يواصل الكشف الطبقي عمله في عزل الطبقة الملوثة وحدها والإبقاء على بقية الطبقات عاملة في التجميع، وتؤكد هذه النتيجة أن رفع دقة التحليل من مستوى النموذج إلى مستوى الطبقة ليس تحسينًا شكليًا، بل تغيير في موضع القرار يمنح المنظومة قدرة أدق على التمييز بين الضرر الموضعي والفساد الشامل في التحديثات الواردة إليها
ثالثًا: دلالات الدراسة وتطبيقاتها
تنطوي هذه النتائج على دلالات تطبيقية مهمة لمصممي منظومات التعلم الاتحادي في البيئات التي لا يمكن فيها الوثوق بجميع الأطراف المشاركة، كالشبكات الموزعة بين مؤسسات متنافسة أو أجهزة طرفية مفتوحة، إذ يقدم الإطار المقترح وسيلة لحماية سلامة النموذج العام دون التضحية بالبيانات النافعة ودون إبطاء تقارب التدريب عن معدله القياسي، كما يفتح الباب أمام تطوير آليات تجميع تتعامل مع بنية الشبكات العصبية العميقة بمرونة أكبر، فتراعي اختلاف حساسية الطبقات وأدوارها، ويمكن أن تمتد الفكرة إلى سيناريوهات هجوم أكثر تعقيدًا وإلى نماذج أكبر حجمًا وبيانات أشد تباينًا بين العملاء، بما يختبر حدود الكشف الطبقي في ظروف تشغيل واقعية متنوعة
وتتضح أهمية هذا التوجه الطبقي إذا ما تأملنا طبيعة الهجمات البيزنطية الجزئية التي يتلاعب فيها العميل الخبيث بطبقات بعينها من تحديثه، تاركًا بقية الطبقات سليمة ليصعب اكتشافه بالأدوات الكلية، فالتجميع عند مستوى النموذج الكامل يواجه هنا مأزقًا مزدوجًا، فإما أن يقبل التحديث كاملًا فيتسرب الضرر إلى النموذج العام، وإما أن يرفضه كاملًا فيخسر معلومات سليمة كان يمكن أن تحسن التدريب، ويتجاوز الإطار المقترح هذا المأزق بمعاملة كل طبقة وحدة قرار مستقلة يحسب لها متوسط تشابهها الزاوي مع نظيراتها لدى بقية العملاء، فتُستبعد الطبقة الشاذة وحدها وتبقى الطبقات المتسقة مشاركة في بناء النموذج، كما أن اشتراط أغلبية سليمة بين العملاء يمنح الضمان النظري حدوده الواضحة، بما يجعل الإطار قابلًا للتقدير الواقعي في بيئات التعلم الموزع التي تتفاوت فيها درجة الثقة بالمشاركين
وخلاصة القول أن مقاومة الهجمات البيزنطية في التعلم الاتحادي تتعزز حين ينتقل الكشف والتجميع من مستوى النموذج الكامل إلى مستوى الطبقات المفردة، كما يبين إطار فيد إل سي دي الذي جمع بين دقة مماثلة للأساليب القياسية أو أعلى، ومعدل تقارب لا يقل عنها، وقدرة مميزة على التصدي لهجمات الطبقات الجزئية التي تعجز عنها المقاربات التقليدية
