آوتوفيد: تنبؤ مروري شخصي عبر تقنية التعلم الفيدرالي المتكيف

في عالم تتزايد فيه الحاجة إلى نظام نقل ذكي، يبقى تنبؤ الحركة المرورية جزءًا حيويًا لضمان تحسين خدمات النقل مثل خدمات الطلب والإيصال وتخطيط الطرق الحضرية وإدارة أساطيل المركبات. ومع زيادة القلق بشأن الخصوصية المتعلقة ببيانات المرور، ابتكرت العديد من الحلول تقنيات التدريب المحلي التي أدت إلى ظهور بيئات بيانات مغلقة وضئيلة في تبادل المعرفة.

يعد التعلم الفيدرالي (Federated Learning) بمثابة الحل الفعال لهذا التحدي، حيث يوفر تدريبًا تعاونيًا يحافظ على خصوصية البيانات. لكن التحدي الأكبر هو التعامل مع مشكلة البيانات غير المستقلة وغير الموزعة (non-IID) بين العملاء. ومن هنا، ظهرت الحاجة إلى التعلم الفيدرالي الشخصي (Personalized Federated Learning) كإطار واعد.

ومع ذلك، تتطلب الإطارات الحالية للتعلم الفيدرالي الشخصي مزيدًا من التكيف لتلك المهام مثل الهندسة الخاصة بالرسوم البيانية ومعالجة البيانات وتصميم الهيكل الشبكي. من أبرز القيود التي تواجهه العديد من الدراسات السابقة هو الاعتماد على تحسين المعلمات الفائقة عبر مجموعات البيانات، وهي معلومات غالبًا ما تكون غير متاحة في السيناريوهات الواقعية.

للتعامل مع هذه التحديات، تم اقتراح إطار آوتوفيد (AutoFed)، وهو إطار جديد للتعلم الفيدرالي الشخصي يركز على تنبؤ الحركة المرورية، حيث يلغي الحاجة لتعديل المعلمات يدويًا. مستلهمًا من التعلم عبر التعليمات، يقدم آوتوفيد تمثيلًا فيدراليًا يستخدم محولًا موائمًا للعملاء لتجميع البيانات المحلية في مصفوفة تعليمات مشتركة تركز على الجميع. يتيح هذا السياق لمتنبئ شخصي أن يفيد كل عميل من المعرفة المشتركة بين العملاء بينما يحتفظ بتخصيص محلي.

تشير التجارب الواسعة على مجموعات بيانات حقيقية إلى أن آوتوفيد يحقق أداءً متفوقًا باستمرار عبر سيناريوهات متنوعة. لمزيد من المعلومات وتحميل التعليمات البرمجية، يمكنك زيارة الرابط [هنا](https://github.com/RS2002/AutoFed).