في عالم يتزايد فيه تنوع البيانات، يظهر التعلم الفيدرالي (Federated Learning) كأداة قوية للتعامل مع هذه التحديات. تعد تقنية تعلم نماذج الفيدرالية (FedPL) واحدة من الاستراتيجيات الناجحة التي تهدف إلى معالجة عدم تجانس البيانات بين العملاء من خلال بناء مجموعة من المراكز العالمية (prototypes) التي تمثل الخصائص الأساسية.

تعتبر جودة هذه النماذج التجريبية (prototypes) عنصراً حاسماً في الأداء العام للنظام. على الرغم من أن الأساليب التقليدية تسعى إلى زيادة المسافات بين النماذج لتحسين القدرة على التمييز بين الفئات، نجد أن هذا غالبًا ما يؤدي إلى تعطل العلاقات الدلالية المهمة بين الفئات. ومن هنا تبرز الحاجة لابتكار يضمن بناء نماذج تحتفظ بهذه العلاقات.

لقد نجحت نماذج اللغات المدربة مسبقًا (Pre-trained Language Models) في التقاط العلاقات الدلالية من مجموعات نصية ضخمة، وهذا هو المحرك وراء تطور أسلوب جديد يدعى FedTSP. تسمح هذه التقنية الجديدة ببناء نماذج تجريبية غنية دلاليًا انطلاقًا من النصوص، مما يعزز من التعاون في بيئات البيانات المتنوعة.

يتم إنشاء أوصاف نصية دقيقة لكل فئة باستخدام نموذج لغوي كبير (Large Language Model)، ومن ثم تتم معالجتها بواسطة نموذج اللغة المدرب مسبقًا على الخادم. للتغلب على الفجوة بين نماذج الصور على مستوى العميل ونموذج اللغة، تم تضمين موجهات قابلة للتدريب، مما يسهل تعديلات النماذج لتناسب مهام العملاء بشكل أفضل.

أثبتت التجارب الكثيفة أن FedTSP لا يحسن فقط من معالجة تنوع البيانات بل يسرع أيضًا من التوافق العام بين النماذج، مما يعد بتقدم كبير في هذا المجال.