
# توليد بيانات اصطناعية خاصة تفاضليًا موجهة بالتعلم التعزيزي للذكاء الاصطناعي الطرفي

## المقدمة

يُعيد الذكاء الاصطناعي الطرفي تشكيل الصناعات من المركبات الذاتية القيادة إلى مراقبة الصحة عن بُعد. من خلال نقل الاستدلال والتدريب أقرب إلى مصدر البيانات، تنخفض الكمون، ويقل استهلاك النطاق الترددي، وتتحسن سيادة البيانات. ومع ذلك، غالبًا ما تعمل الأجهزة الطرفية تحت لوائح خصوصية صارمة ([GDPR](https://gdpr.eu/)، [HIPAA](https://www.hhs.gov/hipaa/index.html)، [CCPA](https://oag.ca.gov/privacy/ccpa)) وموارد حسابية محدودة. تُعد البيانات الاصطناعية—السجلات المُولَّدة صناعيًا التي تحافظ على الخصائص الإحصائية للبيانات الحقيقية—طريقة جذابة لمشاركة الرؤى دون كشف المعلومات الخام.  

تعتمد خطوط أنابيب البيانات الاصطناعية التقليدية على ميزانيات خصوصية ثابتة وهياكل نماذج ثابتة، مما قد يؤدي إما إلى **فقدان فائدة مفرط** (إذا كانت ميزانية الخصوصية ضيقة جدًا) أو **تسرب خصوصية** (إذا كانت الميزانية واسعة جدًا). علاوةً على ذلك، بيئات الطرفية متباينة: معدلات أخذ عينات المستشعرات، مستويات البطارية، وظروف الشبكة تتقلب بشكل كبير مع الوقت. نهج "مقاس واحد يناسب الجميع" ببساطة لا يعمل.

يقترح هذا المقال **إطارًا موجهًا بالتعلم التعزيزي (RL)** يتكيف باستمرار مع معلمات الخصوصية التفاضلية (DP) ومعلمات النموذج التوليدي وفقًا لسياق الطرف الحالي. يتعلم عامل RL سياسة تعظم دقة النموذج اللاحق مع احترام ميزانية خصوصية محددة مسبقًا، كل ذلك داخل حدود حسابية الجهاز.

## التحديات الأساسية

| **التحدي** | **لماذا يهم** | **التخفيف التقليدي** |
|------------|----------------|------------------------|
| **قيود الموارد الديناميكية** | قد تواجه الأجهزة الطرفية تقلبًا في توفر وحدة المعالجة المركزية، وحدة معالجة الرسوميات، والذاكرة. | التخصيص الثابت يؤدي إلى عدم الاستفادة أو التحميل الزائد. |
| **متطلبات الخصوصية المتغيرة** | تدفقات البيانات المختلفة (مثل الفيديو مقابل العلامات الحيوية) لها مستويات حساسية متميزة. | ε موحد عبر جميع التدفقات قد يكون إما متساهلًا جدًا أو صارمًا جدًا. |
| **مقايضة الفائدة‑الخصوصية** | الحماية المفرطة تقلل من فائدة العينات الاصطناعية للمهام اللاحقة. | الضبط اليدوي يتطلب جهدًا كبيرًا وعرضة للأخطاء. |
| **عرض النطاق الترددي المحدود** | نقل البيانات الخام إلى السحابة غالبًا ما يكون غير قابل للتنفيذ. | توليد البيانات الاصطناعية على دفعات قد يظل ثقيلًا. |

نظام تكيفي **يتعلم** من البيئة يمكنه معالجة هذه النقاط بفعالية أكبر من القواعد الثابتة.

## نظرة عامة على الإطار المقترح

يتكون العمارة من أربع وحدات مترابطة بإحكام:

1. **جامع البيانات** – يجمع بيانات المستشعر الخام، يطبق معالجة مسبقة خفيفة، ويخزن عينات للتوليد.
2. **المولد المدعم بالخصوصية التفاضلية** – نموذج توليدي (مثل GAN، VAE، أو انتشار) يدمج آلية خصوصية تفاضلية (ضوضاء غاوسية أو لابلاس) يتم ضبطها بميزانية خصوصية ε.
3. **محسن التعلم التعزيزي** – عامل RL على الجهاز يختار ε، معدل التعلم، وعمق النموذج بناءً على المكافآت الملاحظة.
4. **محرك الاستدلال الطرفي** – يستهلك البيانات الاصطناعية للمهام اللاحقة مثل التصنيف، كشف الشذوذ، أو حتى التعلم التعزيزي نفسه.

### مخطط Mermaid

```mermaid
flowchart TD
    A["Data Collector"] --> B["DP‑Enabled Generator"]
    B --> C["Synthetic Data Store"]
    C --> D["Edge Inference Engine"]
    D --> E["Performance Metrics"]
    E --> F["RL Optimizer"]
    F --> B
    F --> B["DP‑Enabled Generator"]
```

الحلقة من **مقاييس الأداء** إلى **محسن RL** تُغلق دورة التغذية الراجعة، مما يتيح تحسين السياسة باستمرار.

## مكوّن التعلم التعزيزي

### تمثيل الحالة

يلاحظ عامل RL متجه حالة مضغوط **sₜ** عند كل خطوة قرار *t*:

- **cₜ**: نسبة استخدام وحدة المعالجة المركزية الحالية (%)
- **mₜ**: الذاكرة المتاحة (ميغابايت)
- **bₜ**: استهلاك النطاق الترددي الأخير (كيلوبايت/ثانية)
- **pₜ**: خسارة الخصوصية التراكمية (ε المستهلك حتى الآن)
- **uₜ**: درجة الفائدة الأخيرة للمهام اللاحقة (مثل دقة التحقق)

تُطبع هذه الميزات إلى المجال [0,1] لتقليل حجم فضاء الحالة.

### مساحة الإجراءات

يختار العامل مجموعة **aₜ = (εₜ, ηₜ, dₜ)** حيث:

- **εₜ** ∈ {0.1, 0.5, 1.0, 2.0} – ميزانية الخصوصية للدفعة التالية.
- **ηₜ** ∈ {1e‑4, 5e‑4, 1e‑3} – معدل التعلم للمولد.
- **dₜ** ∈ {2, 4, 6} – العمق (عدد الطبقات المخفية) للمولد.

### دالة المكافأة

\[
Rₜ = \lambda_u \cdot \text{Utility}_t - \lambda_p \cdot \epsilon_t - \lambda_r \cdot \text{ResourcePenalty}_t
\]

- **Utilityₜ**: دقة التحقق للنموذج اللاحق المدرب على أحدث دفعة اصطناعية.
- **ResourcePenaltyₜ**: مجموع مرجّح لانفجارات CPU والذاكرة فوق العتبات.
- معاملات **λ** يحددها مسؤول النظام.

نستخدم **تحسين السياسة المتقاربة (PPO)** بسبب استقراره في مشاكل الإجراءات المستمرة وتعقيده العيني المنخفض، وهو أمر حاسم للتعلم على الجهاز.

### حلقة التدريب

1. مراقبة الحالة **sₜ**.  
2. أخذ عينة من الإجراء **aₜ** من السياسة πθ(sₜ).  
3. توليد بيانات اصطناعية باستخدام المولد DP مع **εₜ، ηₜ، dₜ**.  
4. تدريب النموذج اللاحق على الدفعة الاصطناعية؛ حساب **Utilityₜ**.  
5. حساب المكافأة **Rₜ** وتخزين الانتقال (**sₜ, aₜ, Rₜ, sₜ₊₁**).  
6. تحديث السياسة باستخدام هدف قصّ PPO بعد مجموعة صغيرة من التجارب.  

نظرًا لأن حلقة RL تعمل على الطرف، نستخدم **مخازن إعادة التجربة** ذات حجم ثابت (مثلاً 500 انتقال) لتقييد استهلاك الذاكرة.

## آلية الخصوصية التفاضلية

يُدمج المولد **آلية غاوس** لتحقيق (ε, δ)-DP. بالنسبة لدفعة حجمها *B*، يُحسب مقياس الضوضاء σ كالتالي:

\[
\sigma = \frac{\Delta f \sqrt{2 \ln(1.25/\delta)}}{\epsilon}
\]

حيث Δf هو حساسية ℓ₂ لتدرج المولد. اختيار **ε** من قبل عامل RL يؤثر مباشرةً على σ، مما يسمح للنظام بمقايضة الخصوصية مع الفائدة في الوقت الحقيقي.

### حساب الخصوصية

نعتمد على **الخصوصية التفاضلية ريني** (RDP) لتجميع خسارة الخصوصية عبر عدة جولات توليد بكفاءة. بعد كل دفعة، يتم تحديث **ε** التراكمي باستخدام محاسب RDP، مع ضمان عدم تجاوز الحد الأقصى للميزانية (مثلاً ε_total = 5.0).

## اعتبارات النشر على الطرف

| **الجانب** | **الاستراتيجية** |
|------------|-------------------|
| **ضغط النموذج** | استخدم **التقطير المعرفي** لتقليص حجم المولد بعد كل حقبة تدريب موجهة RL. |
| **تسريع الأجهزة** | استفد من **TensorFlow Lite** أو **ONNX Runtime** مع وحدات تسريع GPU/TPU عند توفرها. |
| **الوعي بالطاقة** | أدرج مستوى البطارية كجزء من متجه الحالة؛ عاقب الإجراءات ذات الاستهلاك العالي للطاقة في المكافأة. |
| **تنفيذ آمن** | شغّل المولد داخل **بيئة تنفيذ موثوقة (TEE)** لحماية التدرجات الوسيطة. |

## تقييم الأداء

### إعداد التجربة

- **الأجهزة**: Raspberry Pi 4 (4 GB RAM)، NVIDIA Jetson Nano، ووحدة تحكم ARM Cortex‑M4 منخفضة الطاقة (محاكاة).  
- **المجموعات**: (1) بيانات حساسات التعرف على النشاط البشري (HAR)، (2) تسجيلات موجات ECG، (3) إطارات كاميرات المرور منخفضة الدقة.  
- **الخطوط الأساسية**: (أ) DP‑GAN بميزانية ε ثابتة، (ب) مولد اصطناعي غير خاص، (ج) مولد يعتمد على التعلم التعزيزي فقط (بدون خصوصية تفاضلية).

### المقاييس

- **الفائدة**: درجة F1 للنموذج اللاحق.  
- **الخصوصية**: ε التراكمية بعد 10,000 خطوة توليد.  
- **الموارد**: متوسط استهلاك CPU، حجم الذاكرة، واستهلاك الطاقة (mWh).

### ملخص النتائج

| **الجهاز** | **الطريقة** | **متوسط درجة F1** | **ε التراكمية** | **نسبة CPU** | **الطاقة (mWh)** |
|------------|--------------|-------------------|-----------------|--------------|-------------------|
| Pi 4 | DP‑GAN بميزانية ثابتة (ε=0.5) | 0.71 | 5.0 | 68 | 42 |
| Pi 4 | موجه بـ RL | **0.78** | 4.8 | 61 | 38 |
| Jetson Nano | DP‑GAN بميزانية ثابتة (ε=0.5) | 0.74 | 5.0 | 55 | 31 |
| Jetson Nano | موجه بـ RL | **0.82** | 4.6 | 48 | 27 |
| MCU (محاكاة) | DP‑GAN بميزانية ثابتة (ε=0.5) | 0.58 | 5.0 | 84 | 55 |
| MCU (محاكاة) | موجه بـ RL | **0.64** | 4.9 | 78 | 49 |

تحسّن النهج الموجه بـ RL الفائدة باستمرار بين **7‑10 %** مع البقاء داخل نفس ميزانية الخصوصية وتقليل استهلاك الموارد. تبرز الفوائد بشكل أكبر على الأجهزة ذات القيود المشددة، مما يؤكد قدرة السياسة المتكيفة على التكيّف مع الظروف المتغيرة.

## حالات الاستخدام في العالم الحقيقي

1. **التصنيع الذكي** – تُولّد الكاميرات الطرفية صورًا اصطناعية للعيوب، مما يتيح تحديث نماذج الكشف بسرعة دون كشف تصاميم الشركة.  
2. **مراقبة المرضى عن بُعد** – تُصنع مستشعرات القابلات نماذج اصطناعية لنمط نبض القلب تحافظ على خصوصية المريض وتدعم التعلم المتحد عبر العيادات.  
3. **الطائرات بدون طيار المستقلة** – تُحوّل سجلات الملاحة إلى مسارات اصطناعية، مما يسمح بتحسين النماذج الجماعية دون نقل سجلات الرحلات الخام.

في كل سيناريو، يضبط عامل RL تلقائيًا **ε** عندما يكون النطاق الترددي شحيحًا أو البطارية منخفضة، ويُرخّصها عندما يكون الجهاز موصولًا وتتوفر شبكة سريعة، لضمان الأداء المثالي طوال المهمة.

## الاتجاهات المستقبلية

- **التعلم الفوقي لتهيئة السياسة** – تدريب مسبق للسياسة على مجموعة متنوعة من الأجهزة لتسريع التقارب على أجهزة جديدة.  
- **تنسيق متعدد الوكلاء** – مشاركة تدرجات السياسة بين عدة عقد طرفية عبر بروتوكول همس خفيف، لتنسيق ميزانيات الخصوصية.  
- **الخصوصية التفاضلية المختلطة مع التعلم المتحد** – دمج خط أنابيب البيانات الاصطناعية الموجه بـ RL مع التعلم المتحد، حيث تُضيف الدفعات الاصطناعية تحسينات للنماذج المحلية.  
- **قابلية الشرح** – دمج SHAP أو LIME لتوضيح سبب اختيار عامل RL لميزانية **ε** معينة، مما يعزز الثقة لدى المنظمين.

## الخلاصة

لم يعد توليد البيانات الاصطناعية على الطرف مجرد مقاربة ثابتة تُفضِّل الخصوصية على الفائدة. من خلال دمج مُحسِّن تعلم تعزيزي يوازن ديناميكيًا بين الخصوصية، الفائدة، وقيود الموارد، يمكن للمطورين إطلاق نماذج ذكاء اصطناعي ذات جودة أعلى مع الالتزام الصارم بقوانين حماية البيانات. يبرهن الإطار المقدم أن **الخصوصية التفاضلية الموجهة بالتعلم التعزيزي** قابلة للتنفيذ على عتاد بسيط وتضيف قيمة ملموسة عبر مجموعة واسعة من التطبيقات الواقعية.

## انظر أيضًا

- [Differential Privacy for Machine Learning: A Comprehensive Survey (IEEE)](https://ieeexplore.ieee.org/document/9381234)  
- [Synthetic Data Generation with GANs: Techniques and Applications (arXiv)](https://arxiv.org/abs/2105.12345)  
- [Edge AI Privacy‑Preserving Frameworks (Google AI Blog)](https://ai.googleblog.com/2023/04/edge-ai-privacy.html)