💻 computer science

Client-Cooperative Split Learning

تقدم الورقة البحثية CliCooper، وهو إطار عمل للتعلم المنقسم التعاوني متعدد العملاء يحمي خصوصية البيانات من خلال الخصوصية التفاضلية وتعمية الملصقات، مع ضمان سلامة التدريب ومصدر النموذج عبر العلامات المائية المتسلسلة الديناميكية، مما يخفف بفعالية من هجمات الخصوصية والملكية دون المساس بدقة النموذج.

المؤلفون الأصليون: Haiyu Deng, Yanna Jiang, Guangsheng Yu, Qin Wang, Xu Wang, Wei Ni, Shiping Chen, Ren Ping Liu

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Haiyu Deng, Yanna Jiang, Guangsheng Yu, Qin Wang, Xu Wang, Wei Ni, Shiping Chen, Ren Ping Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك وصفة سرية لأفضل كعكة شوكولاتة في العالم (هذه هي بياناتك). تريد توظيف فريق من الطهاة لمساعدتك في إتقان هذه الوصفة، لكن لديك مشكلتان كبيرتان:

أنت مفلس: ليس لديك مطبخ صناعي ضخم (قدرة حوسبة) لتخبز الكعكة بنفسك.
أنت لا تثق في الطهاة: أنت قلق من أنك إذا أعطيتهم الوصفة، فقد يسرقونها، أو يكتشفون مكوناتك السرية، أو يدّعون أنهم هم من اخترعوا الكعكة.

هذا هو بالضبط ما يحله بحث CLICOOPER. إنها طريقة جديدة لتدريب نماذج الذكاء الاصطناعي دون أن يضطر أي شخص لإظهار بياناته الخام أو الثقة في خادم "مدير" واحد.

إليك كيف يعمل الأمر، مقسماً إلى تشبيهات بسيطة:

1. الإعداد: مطبخ "الوليمة المشتركة" (Potluck)

في تدريب الذكاء الاصطناعي التقليدي، ترسل وصفتك السرية إلى خادم سحابي ضخم وموثوق (المدير). يقوم المدير بكل العمل.

المشكلة: ماذا لو لم يكن لديك مدير؟ ماذا لو كان عليك توظيف مجموعة من الطهاة المستقلين (العملاء المدربين) الذين يمتلك كل منهم مساحة فرن صغيرة؟
حل CLICOOPER: بدلاً من مطبخ واحد كبير، تقوم بإنشاء سباق تتابع.
- أنت (مالك البيانات): لديك المكونات ولكن ليس لديك فرن. تقوم بأعمال التحضير.
- الطهاة (المدربون): لديهم أفران ولكن ليس لديهم مكونات. يقومون بتمرير العجين عبر الخط.
- المُتحقق (المنظم): حكم محايد يراقب السباق ليتأكد من أن الجميع قاموا بعملهم وأنهم حصلوا على أجرهم بشكل عادل.

2. الخلطة السرية: إخفاء المكونات (الخصوصية)

لا يمكنك ببساطة تسليم المكونات الخام للطهاة، وإلا فقد يكتشفون وصفتك السرية. يستخدم CLICOOPER خدعتين سحريتين:

الخدعة (أ): قائمة "الملصقات المزيفة" (توسيع الملصقات)
تخيل أن كعكتك تحتوي على 10 نكهات سرية (الملصقات الحقيقية). بدلاً من إخبار الطهاة "هذه شوكولاتة"، تعيد لهم قائمة تحتوي على 20 اسماً مزيفاً (الملصقات الزائفة).
- الشوكولاتة الحقيقية تصبح "النكهة A1" و"النكهة A2".
- الفانيليا الحقيقية تصبح "النكهة B1" و"النكهة B2".
- لماذا تنجح هذه الخدعة: يرى الطهاة 20 نكهة، لكنهم لا يعرفون أي منها هي نفسها في الأصل. لا يمكنهم تخمين نكهاتك العشر الأصلية. أنت الوحيد الذي يمتلك "حلقة فك الشفرة" لترجمة عملهم مرة أخرى إلى النكهات الحقيقية.
الخدعة (ب): مرشح "الضجيج الساكن" (الخصوصية التفاضلية)
عندما تمرر العجين إلى أول طباخ، ترش عليه القليل من "الضجيج الساكن".
- الأمر يشبه إضافة القليل من غبار الدقيق الذي يجعل العجين يبدو ضبابياً قليلاً.
- لما لماذا تنجح هذه الخدعة: إذا حاول أحد الطهاة النظر إلى العجين لتخمين المكونات الأصلية (هجوم عكسي)، فإن الضجيج سيجعله مستحيلاً. سيرون فوضى ضبابية، وليس صورة واضحة.

3. إثبات العمل: "سلسلة العهدة" (العلامة المائية)

الآن، تخيل أن طباخاً يحاول الغش. يقول: "أنا خبزت هذه الطبقة من الكعكة!" لكنه في الواقع أخذ كعكة جاهزة من المتجر وادعى أنه صنعها. كيف تعرف أنه قام بالعمل فعلياً؟

يستخدم CLICOOPER علامة مائية متسلسلة.

فكر في الأمر كأنه مصافحة سرية تتغير في كل مرة.
الطباخ رقم 1 ينهي طبقتهم ويمررها إلى الطباخ رقم 2.
الطباخ رقم 2 ينظر إلى العجين الذي مرره له الطباخ رقم 1 تحديداً. وبناءً على ذلك العجين المحدد، يقوم الطباخ رقم 2 بإنشاء "ختم" فريد وغير مرئي (علامة مائية) ويضعه على طبقته الخاصة.
الطباخ رقم 3 يفعل الشيء نفسه: ينظر إلى طبقة الطباخ رقم 2، وينشئ ختماً جديداً، ويضيفه.
النتيجة: الكعكة النهائية تحتوي على سلسلة من الأختام غير المرئية. إذا حاولت أخذ طبقة ووضعها على كعكة أخرى، فلن تتطابق الأختام. إذا حاول طباخ تخطي السباق واستخدام طبقة جاهزة، فلن يتمكن من إنشاء الختم الصحيح لأنه لم يرَ الطبقة السابقة.

4. الحكم: المُتحقق

في نهاية السباق، يقوم المُتحقق (الحكم) بفحص الكعكة.

هل كان طعمها جيداً؟ يتحقق مما إذا كانت الكعكة دقيقة (هل تعلم النموذج؟).
هل قام الجميع بدورهم؟ يتحقق من سلسلة الأختام غير المرئية. إذا تطابقت الأختم مع السلسلة، فهو يعلم أن كل طباخ قد خبز جزءاً منه بالفعل.
الدفع: إذا سارت الأمور على ما يرام، يقوم المُتحقق بدفع الأجر للطهاة. إذا غش أحد الطهاة، فلن يحصل على شيء.

لماذا يعد هذا أمراً هاماً؟

لا يوجد مدير واحد: لا تحتاج إلى خادم ضخم ومكلف. يمكنك استخدام العديد من الأجهزة الصغيرة والرخيصة (مثل الهواتف أو أجهزة الحافة/Edge computers).
خصوصية تامة: لا يرى الطهاه بياناتك الخام، ولا ملصقاتك الحقيقية، ولا خرائطك السرية. هم يرون فقط بيانات ضبابية بأسماء مزيفة.
لا سرقة: حتى لو سرق شخص ما الكعكة النهائية، فلا يمكنه استخدامها بدون "حلقة فك الشفرة" الخاصة بك (الخريطة السرية). ستكون عديمة الفائدة بالنسبة له.
العدالة: يمكنك إثبات من خبز أي جزء من الكعكة بالضبط، بحيث يحصل الجميع على أجرهم بشكل عادل.

باختصار: يحول CLICOOPER تدريب الذكاء الاصطناعي إلى سباق تتابع تعاوني وآمن حيث يمكنك توظيف فريق من الغرباء لبناء نموذج لك، دون أن تضطر أبداً لإظهار أسرارك لهم أو القلق من سرقتهم للحقوق.

إليك ملخص تقني مفصل لورقة البحث "التعلم المنقسم التعاوني بين العملاء" (CLICOOPER) من قبل دينغ وآخرون.

1. بيان المشكلة

تتناول الورقة القيود التي تواجه التعلم المنقسم (Split Learning - SL) التقليدي في البيئات المحدودة الموارد والخالية من الخوادم. بينما يسمح التعلم المنقسم القياسي لمالكي البيانات بتدريب النماذج دون مشاركة البيانات الخام عن طريق نقل الحوسبة إلى خادم موثوق، فإن هذا النموذج يفترض وجود خادم واحد موثوق بالكامل ويمتلك قدرة حوسبية كافية.

في الواقع، غالبًا ما تمتلك الأجهزة الطرفية (Edge devices) قدرة حوسبية مجزأة ولكنها فائضة. وهذا يحفز نموذج التعاون متعدد العملاء والخالي من الخوادم حيث يقدم عميل واحد البيانات (عميل البيانات، $C$ ) بينما يقدم عدة عملاء آخرون القدرة الحوسبية (عملاء التدريب، $T$ ). ومع ذلك، يفرض هذا الإعداد ثلاثة تحديات حرجة في بيئة موثوقة جزئيًا:

س1 (خصوصية البيانات): كيف يمكن لعميل البيانات حماية المدخلات الخام والتسميات الحقيقية من عملاء التدريب الفضوليين الذين يراقبون التنشيطات الوسيطة؟
س2 (ملكية الطبقات): كيف يمكن لعملاء التدريب إثبات مساهماتهم المحددة في النموذج للمطالبة بتعويض عادل، ومنع "الركوب المجاني" (استخدام النماذج المدربة مسبقًا)؟
س3 (الاستخدام غير المصرح به): كيف يمكن حماية النموذج النهائي ضد الاستخراج أو إعادة الاستخدام غير المصرح به من قبل الخصوم الخارجيين؟

تفشل أطر العمل الحالية للتعلم المنقسم في معالجة خصوصية التسميات، وتتبع مسار التدريب، وحماية حقوق الطبع والنشر في آن واحد ضمن هذا السياه الموزع ومتعدد العملاء.

2. المنهجية: إطار عمل CLICOOPER

إن CLICOOPER هو إطار عمل للتعلم المنقسم التعاوني متعدد العملاء، مصمم للبيئات غير المتجانسة والموثوقة جزئيًا. وهو يدمج ثلاث آليات أساسية لمعالجة أسئلة البحث:

أ. توسيع التسميات بالرسم السري (معالجة س1 وس3)

لإخفاء دلالات التسميات وكمياتها دون تقليل فائدة النموذج:

الآلية: يقوم عميل البيانات ( $C$ ) برسم كل تسمية حقيقية $Y_i$ إلى مجموعة من التسميات الزائفة $Y^*_{ij}$ باستخدام رسم من-إلى-متعدد سري $G_Y$ .
تعزيز البيانات: يتم تعزيز مجموعة البيانات لتتوافق مع مساحة التسميات الموسعة، مما يضمن توازن الفئات.
الأثر: لا يرى عملاء التدريب سوى التسميات الزائفة. وبدون الرسم العكسي السري $G_Y^{-1}$ ، تصبح مخرجات النموذج عديمة الفائدة تشغيليًا للأطراف غير المصرح لها، مما يربط فائدة النموذج بالتصريح بشكل فعال.

ب. التنشيطات المحمية بالخصوصية التفاضلية (DP) (معالجة س1)

لمنع هجمات عكس الميزات (Feature inversion) وهجمات التجميع (Clustering attacks) على التنشيطات الوسيطة:

الآلية: قبل رفع التنشيطات، يقوم العميل $C$ بتطبيق قص $\ell_1$ (l1-clipping) للحد من الحساسية وحقن ضوضاء لابلاس (Laplace noise) معايرة بناءً على ميزانية الخصوصية $\epsilon$ .
الضمان النظري: تثبت الورقة أنه بموجب هذه الآلية، فإن نسبة الاحتمال لاستنتاج أن تنشيطين ينتميان إلى نفس الفئة محدودة بـ $e^{2\epsilon}$ ، مما يحد بشكل كبير من هجمات الربط.
سير العمل: يقوم العميل $C$ بعملية التوسيع وحقن الضوضاء مرة واحدة، مع تخزين التنشيطات المحمية بالخصوصية التفاضلية ( $M^D_C$ ) في مسار التدريب.

ج. العلامة المائية المتسلسلة الديناميكية (معالجة س2)

لضمان سلامة التدريب القابلة للتحقق وإسناد الملكية:

الآلية: بعد تقارب النموذج (الحقبة $N$ )، تحدث مرحلة العلامة المائية (الحقبة $N+1$ ). يقوم كل مدرب $T_i$ بدمج علامة مائية فريدة $\Lambda_{Ti}$ في جزء النموذج الخاص به.
التسلسل: تكون العلامة المائية متسلسلة تشفيرًا. يتم اشتقاق العلامة المائية للمدرب $T_i$ $T_{i}$ حتميًا من هاش (Hash) مخرجات التنشيط للمدرب السابق ( $M_{T_{i-1}}$ $M_{T_{i - 1}}$ )، وهوية المدرب، ونون de (nonce) سري.
- $H_1 = H(M^D_C, 1, \mu_1, ID_{T1})$
- $H_i = H(M_{T_{i-1}}, i, \mu_i, ID_{Ti})$
التحقق: يقوم مُحقِّق موثوق ( $V$ ) بإعادة بناء سلسلة العلامة المائية المتوقعة. إذا تخطى مدرب مرحلة التدريب أو استخدم نموذجًا مدربًا مسبقًا، فإن مدخل التنشيط سيختلف، مما يؤدي إلى عدم تطابق العلامة المائية المشتقة، وبالتالي كشف "الركوب المجاني".

3. المساهمات الرئيسية

إطار عمل مبتكر: تقديم CLICOOPER، وهو أول إطار عمل مصمم للتعلم المنقسم التعاوني متعدد العملاء والخالي من الخوادم الذي يوازن بين الخصوصية والملكية والفائدة.
تصميم يحافظ على الخصوصية: الجمع بين توسيع التسميات وضوضاء DP لقمع هجمات استنتاج التسميات وعكس الميزات مع الحفاظ على دقة النموذج.
إثبات المصدر التشفيري: تطوير مخطط علامة مائية متسلسل يربط مراحل التدريب عبر العملاء الموزعين، مما يتيح مطالبات ملكية قابلة للتدقيق وردع إعادة استخدام النماذج غير المصرح بها.
تقييم شامل: التحقق من النظام عبر مجموعات بيانات متنوعة (MNIST, CIFAR-10/100, AG News) وبنيات مختلفة (CNNs, Transformers)، مما أظهر المتانة ضد الهجمات الداخلية والخارجية.

4. النتائج التجريبية

أجرى المؤلفون تجارب مكثفة لمقارنة CLICOOPER بالنماذج المرجعية ومختلف سيناريوهات الهجوم:

دقة النموذج: يحافظ CLICOOPER على الدقة المرجعية، مع ظهور بعض الإعدادات تحسنًا يصل إلى 2% (يُعزى إلى عمل الضوضاء كمنظم/regularizer).
الدفاع ضد هجمات التجميع:
- بدون حماية، تستعيد هجمات التجميع مجموعات التسميات بدقة 100%.
- مع CLICOOPER (DP + توسيع التسميات)، تنخفض نسبة النجاح إلى 0% لمجموعات البيانات الصورية (CIFAR-10/100) وتنخفض بشكل كبير للبيانات النصية/MNIST.
الدفاع ضد هجمات العكس (Inversion Attacks):
- تسمح التنشيطات غير المحمية بإعادة البناء بتشابه عالٍ (SSIM ~0.50).
- مع ضوضاء DP ( $\epsilon=2.0$ )، تنخفض نسبة تشابه إعادة البناء إلى 0.03، مما يجعل الصور المستعادة غير قابلة للتمييز.
الدفاع ضد استخراج النموذج:
- يحقق الخصوم الخارجيون الذين يحاولون تدريب نماذج بديلة عبر استعلامات API دقة تبلغ ~1% فقط (ما يعادل التخمين العشوائي) بسبب تعمية التسميات الزائفة.
العبء الإضافي (Overhead):
- العلامة المائية: يستغرق دمجها والتحقق منها أجزاء من الثانية فقط (مثلاً ~8-13 مللي ثانية)، وهو أمر ضئيل مقارب وقت التدريب.
- الاتصال: يتوسع زمن الوصول خطيًا مع حدود الأجزاء ولكنه يظل منخفضًا (مثلاً <1.5 ثانية إجماليًا لـ CIFAR-100).

5. الأهمية

يمثل CLICOOPER تقدمًا مهمًا في التدريب الموزع للذكاء الاصطناعي:

الجدوى الاقتصادية: يتيح "سوقًا للحوسبة" حيث يمكن للأجهزة الطرفية تسييل مواردها الخاملة لتدريب النماذج دون المساس بخصوصية البيانات.
التعاون غير القائم على الثقة (Trustless Collaboration): من خلال إزالة الحاجة إلى خادم واحد موثوق وتقديم أدلة تشفيرية على العمل، فإنه يحل "فجوة الثقة" في التعاون متعدد الأطراف.
الأمن الشامل: على عكس الأعمال السابقة التي تركز فقط على الخصوصية أو فقط على حقوق الطبع والنشر، يوفر CLICOOPER حلاً موحدًا يحمي مالكي البيانات، ويضمن التعويض العادل للمدربين، ويؤمن النموذج النهائي ضد السرقة.

باختصار، يحول CLICOOPER التعلم المنقسم من بروتوكول متمحور حول الخادم إلى إطار عمل قوي، خالي من الخوادم، وذي جدوى اقتصادية للتعاون في مجال الذاء الاصطناعي في البيئات الموثوقة جزئيًا.