موازنة الخصوصية والأداء في التعلم الفدرالي: مراجعة منهجية للأدبيات حول الأساليب والمعايير

يعتبر التعلم الفدرالي (FL) نموذجًا مبتكرًا في الذكاء الصناعي (AI)، حيث يضمن تعزيز الخصوصية من خلال القضاء على مركزية البيانات ويجلب التعلم مباشرة إلى حافة جهاز المستخدم. ومع ذلك، تم إثارة قضايا خصوصية جديدة لا سيما أثناء التدريب وتبادل المعلمات بين الخوادم والعميل. على الرغم من تطوير العديد من الحلول التي تحافظ على الخصوصية في FL للتخفيف من الانتهاكات المحتملة في هياكل FL، إلا أن تكاملها يطرح مجموعة من التحديات الخاصة. يمكن أن يؤدي دمج هذه الآليات التي تحافظ على الخصوصية في FL على مستوى حوسبة الحافة إلى زيادة كل من تكاليف الاتصال والحوسبة، مما قد يعيق بدوره فائدة البيانات ومؤشرات أداء التعلم. تقدم هذه الورقة مراجعة منهجية للأدبيات حول الأساليب والمعايير الأساسية لدعم أفضل التوازنات بين خصوصية FL ومتطلبات الأداء الأخرى ذات الصلة بالتطبيق مثل الدقة، والخسارة، ووقت التقارب، والفائدة، والتواصل، وتكاليف الحوسبة. نهدف إلى تقديم نظرة شاملة عن الآليات الحديثة التي تحافظ على الخصوصية في FL المستخدمة في مختلف التطبيقات، مع التركيز على نهج تقييم الخصوصية الكمية في FL وضرورة تحقيق توازن بين الخصوصية والمتطلبات الأخرى لتطبيقات FL في العالم الحقيقي. تجمع هذه المراجعة وتقوم بتصنيف ومناقشة الأوراق ذات الصلة بطريقة منظمة، مع تسليط الضوء على التحديات والقضايا المفتوحة والاتجاهات البحثية الواعدة.