Hierarchical Multi-Task Federated Learning in VANETs

تخيل عالماً لا تكون فيه سيارتك مجرد آلة تنقلك من النقطة (أ) إلى النقطة (ب)، بل شريكاً ذكياً يساعدك على رؤية الطريق، والتنبؤ بالاختناقات المرورية، وتجنب الحوادث. ولتحقيق ذلك، تُزود السيارات بكاميرات ومستشعرات تولد كميات هائلة من البيانات. لسنوات، كانت الطريقة القياسية لجعل هذه السيارات أكثر ذكاءً هي إرسال كل تلك البيانات الخام إلى كمبيوتر مركزي ضخم (مثل معلم خارق) للتعلم منها. لكن هذا يشبه إلى حد ما مطالبة كل طالب في المدرسة بتسليم مذكراته اليومية بالكامل ليقرأها المعلم؛ الأمر بطيء، ويسد سعة الإنترنت، ويثير مخاوف كبيرة بشأن الخصوصية لأنك لا تريد كشف عاداتك الخاصة في القيادة.

هنا يأتي دور "التعلم الاتحادي" (Federated Learning)، وهو حيلة ذكية حيث يحدث "التعلم" داخل السيارة نفسها. فبدلاً من إرسال صفحات المذكرات (البيانات الخام)، ترسل السيارة فقط "الدروس المستفادة" (تحديثات النموذج). هذا يحافظ على خصوصية بياناتك ويوفر عرض النطاق الترددي. ومع ذلك، هناك عقبة: معظم الأنظمة الحالية تفترض أن كل سيارة تحاول تعلم الشيء نفسه تماماً، مثل كيفية التعرف على لوحات التوقف. لكن في الواقع، قد تحتاج سيارة واحدة لتعلم كيفية التعرف على إشارات المرور، وأخرى لتعلم كيفية رصد المشاة، وثالثة لتعلم كيفية رصد أعمال بناء الطرق. محاولة حشر كل هذه المهام المختلفة في "نموذج فائق" واحد هو كأنك تحاول تعليم طاهٍ، وميكانيكي، ورسام استخدام نفس مجموعة الأدوات لكل مهمة—وهذا ببساطة لا ينجح. يتناول هذا البحث هذا الواقع الفوضوي عبر اقتراح طريقة جديدة للسيارات لكي تتعلم معاً دون أن تفقد تفرّدها.

المشكلة: فصل دراسي بمواد مختلفة

تخيل طريقاً سريعاً مزدحماً كأنه فصل دراسي كبير ومتحرك. في نظام التعلم الاتحادي القديم، كان المعلم (الخادم المركزي) يطلب من كل طالب (سيارة) دراسة الكتاب المدرسي نفسه تماماً. إذا كان أحد الطلاب يحاول تعلم كيفية تحديد إشارة مرور حمراء بينما يحاول آخر تعلم كيفية رصد مشاة يعبرون الطريق بشكل خاطئ، فقد أُجبروا على خلط ملاحظاتهم في كومة واحدة ضخمة ومربكة. والنتيجة؟ حصل المعلم على درس متوسط ومبهم لم يكن جيداً في أي من المهمتين. بالإضافة إلى ذلك، السيارات سريعة! فهي تنطلق وتدخل وتخرج من النطاق، وتنسحب من "الفصل" كلما قادت لمسافة بعيدة أو فقدت الاتصال، مما يجعل عملية التعلم فوضوية وغير مستقرة.

الحل: مجموعة دراسية ذكية ومرنة

يقترح مؤلفا هذا البحث، "حقيقي فرد وكوليري"، إطار عمل جديداً يسمى AERO-HMTFL. يمكنك التفكير في هذا الإطار كأنه مجموعة دراسية منظمة للغاية وديناميكية تتكيف مع فوضى الطريق.

إليك كيف يعمل، مقسماً إلى ثلاث حيل رائعة:

1. "الدماغ المشترك" و"الأيدي المتخصصة"
بدلاً من إجبار كل سيارة على تعلم نموذج واحد ضخم، يقترح البحث بنية "النموذج المنقسم". تخيل أن كل سيارة لديها دماغ مشترك (AutoEncoder) وعدة أيدٍ متخصصة (Task Heads).

• الدماغ المشترك: يتعلم السمات العامة، مثل "كيف يبدو الطريق؟" أو "كيف تسقط الظلال؟". وهذا مفيد للجميع.
• الأيدي المتخصصة: فريدة من نوعها لكل مهمة خاصة بالسيارة. يد إحدى السيارات مخصصة للتعرف على لوحات التوقف؛ ويد أخرى مخصصة للتنبؤ بمسارات المشاة.
  في هذا النظام الجديد، تشارك السيارات فقط دماغها المشترك مع المجموعة، وتحتفظ بـ أيديها المتخصصة مغلقة داخل قفازاتها الخاصة. هذا يعني أن السيارات يمكنها التعاون في المعرفة العامة دون خلط مهامها المحددة.

2. "التجميع الذكي" (إيجاد قبيلتك)
السيارات لا تتجمع عشوائياً؛ بل تشكل مجموعات (Clusters) بناءً على مقياس صداقة "ثلاثي الأوزان". ينظر النظام إلى ثلاثة أشياء قبل السماسة بانضمام السيارات إلى مجموعة:

• الحركية (Mobility): هل نقود بسرعات متشابهة؟ (لا نريد الدراسة مع سيارة تنطلق مبتعدة خلال ثانيتين).
• تشابه الدماغ المشترك: هل تفهم "أدمغتنا المشتركة" العالم بطريقة متشابهة بالفعل؟
• تقارب المهام (Task Affinity): هل لدينا واجبات منزلية متشابهة؟ (إذا كانت إحدى السيارات تدرس إشارات المرور وأخرى تدرس الحفر في الطريق، فقد لا يكونان أفضل شركاء دراسة).
  يضمن هذا أن تشكل السيارات مجموعات مستقرة وودودة حيث يمكنها حقاً مساعدة بعضها البعض على التعلم.

3. "فلتر الموثوقية" (تجاهل الطلاب المشتتين)
في فصل دراسي متحرك، قد يكون بعض الطلاب مشتتين، أو لديهم اتصالات سيئة، أو ببساطة ليسوا جيدين في المادة. يستخدم النظام الجديد "درجة الموثوقية". فهو يحتفظ بسجل للسيارات التي كانت متسقة ودقيقة في الماضي. عندما يقوم قائد المجموعة (Cluster Head) بدمج تحديثات "الدماغ المشترك" للجميع، فإنه يعطي وزناً أكبر للطلاب الموثوقين ووزناً أقل للطلاب غير الموثوقين. هذا يمنع بعض التحديثات السيئة من إفساد تقدم المجموعة بأكملها.

ما وجدوه (النتائج)

اختبر الباحثون هذه الفكرة باستخدام محاكاة حاسوبية تحاكي حركة المرور الحقيقية مع ما يصل إلى 50 سيارة تتحرك حولها. وقارنوا طريقتهم الجديدة بثلاث طرق شائعة أخرى. إليكم ما أظهرته عمليات المحاكاة:

• تعلم أذكى: كانت الطريقة الجديدة أكثر دقة بكثير. في الاختبارات الأكثر صعوبة (التعرف على الصور المعقدة مثل لوحات المرور)، حققت دقة أعلى بنسبة تصل إلى 13% مقارنة بأفضل طريقة منافسة.
• تقارب أسريد: لم تتعلم بشكل أفضل فحسب، بل تعلمت بشكل أسرع أيضاً. في الاتصالات قصيرة المدى، احتاجت إلى عدد أقل من جولات الاتصال بنسبة تتراوح بين 13% إلى 29% للوصول إلى حالة مستقرة وذكية.
• توفير هائل في البيانات: نظرًا لأن السيارات تشارك فقط "الدماغ المشترك" وليس النموذج بأكمله، ولأنها تتجمع بكفاءة، فقد انخفضت كمية البيانات المرسلة عبر شبكة الهاتف المحمول بشكل كبير. قلل النظام من عمليات نقل الحزم بنسبة 87% إلى 97% مقارنة بالطرق الأخرى. هذا يشبه إرسال بطاقة بريدية بدلاً من شاحنة مليئة بالبريد.
• النقطة المثالية: اختبرت عمليات المحاكاة أيضاً عدد "القفزات" (كم عدد السيارات المتتالية التي يجب أن تنتقل الرسالة عبرها). ووجدوا أن اتصال "قفزتين" (2-hop) (حيث تتحدث سيارة إلى جارتها، والتي بدورها تتحدث إلى قائد المجموعة) هو التوازن المثالي. فالذهاب إلى مسافة أبعد (3 قفزات) يؤدي إلى الكثير من الضجيج، بينما البقاء قريباً جداً (قفزة واحدة) لا يشارك معلومات كافية.

الخلاصة

يشير هذا البحث إلى أنه لكي تتعلم السيارات معاً في عالم فوضوي وعالي السرعة، فإنها تحتاج إلى نظام يحترم وظائفها المختلفة، ويجمعها بناءً على هويتها ووجهتها، ويصفي الضجيج غير الموثوق. من خلال استخدام نهج "الدماغ المشترك" مع التجميع الذكي، يوضح المؤلفون أنه يمكننا بناء أسطول من السيارات ليس فقط صديقاً للخصوصية، بل أكثر ذكاءً وكفاءة بشكل ملحوظ من الطرق الحالية. ورغم أن هذه النتائج مستمدة من عمليات المحاكاة، إلا أنها تقدم مخططاً واعداً لمستقبل النقل الذكي.