FedSS: Shareability-Aware Privacy-Preserving Federated Learning for Sports Recognition
تقترح الورقة البحثية FedSS، وهو إطار عمل مدرك لقابلية المشاركة للتعلم الاتحادي ذي الخصوصية التفاضلية في مجال التعرف على الرياضات، والذي يقوم بمشاركة دلالات رياضية قابلة للنقل بشكل انتقائي مع الاحتفاظ بالسياق الخاص بكل عميل محلياً للتخفيف من تشوه القص وتحسين المقايضة بين الخصوصية والمنفعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الرياضة، يكمن الفرق بين البطل والمنافس في التفاصيل الدقيقة للحركة، والوضعية، والتقنية. ولتعليم الكمبيوتر التعرف على هذه التفاصيل، نحتاج إلى كميات هائلة من الصور التي تظهر الرياضيين أثناء الحركة. ومع ذلك، نادراً ما تُجمع هذه الصور في مكان مركزي واحد؛ فهي مبعثرة عبر المدارس، والأندية الاحترافية، ومراكز التدريب، والصالات الرياضية الفردية، حيث يمتلك كل منها مجموعة فريدة من الصور. ويخلق هذا التوزيع عقبة كبيرة أمام الذكاء الاصطناعي: كيف يمكن للكمبيوتر أن يتعلم من جميع هذه الصور دون إجبار كل مؤسسة على تسليم بياناتها الخاصة؟ تكمن الإجابة في طريقة تسمى "التعلم الاتحادي" (Federated Learning). فبدلاً من نقل الصور إلى خادم مركزي، ينتقل نموذج الكمبيوتر إلى البيانات المحلية؛ حيث يتعلم من الصور في الموقع ويرسل فقط ملخصاً لما تعلمه، تاركاً الصور الأصلية دون مساس. هذا يحمي الخصوصية، ولكنه يطرح مشكلة جديدة. فحتى هذه الملخصات يمكنها أحياناً الكشف عن معلومات حساسة حول الأشخاص الموجودين في الصور. ولحل ذلك، يضيف الباحثون طبقة من الضجيج الرياضي إلى الملخصات، وهي تقنية تُعرف باسم "الخصوصية التفاضلية" (Differential Privacy)، والتي تقوم بتشفير أي أدلة محتملة حول الأفراد. ومع ذلك، فإن إجراء السلامة هذا يأتي بتكلفة؛ إذ يمكن للضجيج أن يطمس التفاصيل الدقيقة التي يحتاجها الكمبيوتر للتعلم، مما يجعل من الصعب التمييز بين مختلف الرياضات أو الرياضيين.
لقد طور فريق من الباحثين نهجاً جديداً لحل هذا التوتر المحدد بين الخصوصية والدقة في التعرف على الرياضة. وقد أطلقوا على نظامهم اسم "FedSS". وتتمثل الفكرة الجوهرية وراء عملهم في أن ليس كل معلومة يتم تعلمها من صورة رياضية ذات قيمة متساوية للمشاركة. فعندما ينظر الكمبيوتر إلى صورة لاعب كرة سلة، فإنه يتعلم نوعين متميزين من الأشياء. أولاً، يتعلم القواعد العالمية للرياضة: الطريقة التي يقفز بها اللاعب، وزاوية الركبة أثناء التسديد، والشكل العام للكرة. هذه هي "الأسرار القابلة للنقل" التي تساعد الكمبيوتر على التعرف على كرة السلة في أي مكان. ثانياً، يتعلم التفاصيل المحددة لتلك الصورة بعينها: لون زي الفريق، والإضاءة في تلك الصالة الرياضية المحددة، والجمهور في الخلفية، أو زاوية الكاميرا الفريدة. هذه التفاصيل خاصة بذلك العميل الواحد ولا تساعد الكمبيوتر على فهم الرياضة نفسها. وفي أنظمة حماية الخصوصية التقليدية، يعامل الكمبيوتر كل هذه المعلومات كحزمة واحدة؛ حيث يضيف الضجيج إلى الحزمة بأكملها، مما يعني أن القواعد العالمية القيمة ستصبح مشوشة جنباً إلى جنب مع التفاصيل المحددة غير المفيدة. وهذا يهدر "المساحة" المحدودة المتاحة لإرسال المعلومات ويشوه المعرفة الأكثر أهمية.
اقترح الباحثون في أكاديمية الصين للعلوم، وجامعة كيونغيل، وجامعة تشنغدو لتكنولوجيا المعلومات طريقة أكثر ذكاءً للتعامل مع هذا الأمر. فقد بنوا نظاماً يعمل بمثابة مرشح (فلتر) قبل أن تخرج المعلومات من الكمبيوتر المحلي. فقبل إرسال أي بيانات، يقوم النظام بتحليل المعلومات المتعلمة وفصل قواعد الرياضة العالمية عن التفاصيل المحلية المحددة. ثم يطبق حماية الخصوصية فقط على القواعد العالمية، ويبقي التفاصيل المحلية خلف الكوالب. يضمن ذلك أن تكون كمية المعلومات المسموح بإرسالها محملة بالكامل بأكثر المعارف فائدة. ولجعل هذا الفصل يعمل، أنشأوا وحدة تقيم المعلومات بناءً على ثلاثة معايير: فهي تتحقق من مدى مساعدة قطعة من المعلومات في تحديد الرياضة، ومدى اتساق تلك المعلومة عبر مختلف الفرق والمواقع، ومدى استقرارها عند إضافة الضجيج. إذا كانت قطعة من المعلومات مفيدة للغاية للتعرف على الرياضة وتظل ثابتة عبر مختلف العملاء، فإن النظام يحددها للمشاركة. أما إذا كانت مجرد انعكاس لإضاءة صالة رياضية معينة أو زي فريق معين، فإن النظام يبقيها محلية.
اختبر الفريق هذه الطريقة باستخدام مجموعتين كبيرتين من الصور الرياضية، إحداهما تحتوي على 22 رياضة مختلفة والأخرى على 100 رياضة. وقد قاموا بمحاكاة بيئة واقعية حيث تشارك العديد من المنظمات المختلفة، ولكل منها مزيجها الفريد من الرياضيين والزي الرسمي وظروف الكاميرا. وقارنوا نظامهم الجديد بعدة طرق موجودة تحاول حماية الخصوصية. وأظهرت النتائج أنه من خلال تصفية الضجيج المحلي قبل إرسال البيانات، كان نظامهم أفضل بكثير في التعرف على الرياضات. وفي أصعب سيناريوهات الاختبار، حيث كانت البيانات مختلفة جداً من عميل إلى آخر، حسنت طريقتهم دقة التعرف على الرياضة بعدة نقاط مئوية مقارنة بأفضل الطرق السابقة. وكان هذا التحسن ثابتاً حتى عندما جعل الباحثون حماية الخصوصية أقوى، وهو ما يجعل المهمة أصعب عادةً. كما أثبت النظام أنه أكثر كفاءة؛ لأنه أرسل بيانات أقل "نفايات"، مما جعل الضجيج الرياضي المطلوب للخصوصية يقلل من التأثير السلبي على النتيجة النهائية.
نظر الباحثون أيضاً بدقة فيما يحدث داخل النظام لفهم سبب نجاحه. ووجدوا أن النظام نجح في إبقاء الكمبيوتر مركزاً على الحركات والتقنيات الفعلية للرياضيين، بدلاً من التشتت بالخلفية أو الأزياء. وقد أدى ذلك إلى نموذج يفهم الرياضة نفسها، بدلاً من مجرد حفظ الصور المحددة التي رآها. وأكدت الدراسة أن هذا النهج يعمل بشكل جيد حتى عندما يكون عدد المنظمات المشاركة كبيراً جداً أو عندما تشارك نسبة صغيرة فقط منها في أي جولة تدريبية معينة. وتشير النتائج إلى أنه بالنسبة لمهام مثل التعرف على الرياضة، حيث يكون الهدف هو فهم نشاط معين عبر العديد من البيئات المختلفة، فمن الضروري التمييز بين ما هو عالمي وما هو محلي. ومن خلال القيام بذلك، يمكن حماية خصوصية الرياضيين والمؤسسات دون التضحية بقدرة الكمبيوتر على التعلم بفعالية. إن هذا العمل يثبت أن الخصوصية والمنفعة لا يجب أن يكونا عدوين؛ فمع الاستراتيجية الصحيحة، يمكنهما العمل معاً لإنشاء نظام أكثر ذكاءً وأماناً لتحليل عالم الرياضة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.