في عصر الذكاء الاصطناعي المتسارع، يعتبر نشر الشبكات العصبية واسعة النطاق داخل بنية الشبكة المفتوحة للوصول الراديوي (O-RAN) أمرًا حيويًا لتعزيز الذكاء الطرفي. ولكن، تظهر تحديات رئيسية تتعلق بحجم الذاكرة المطلوب لتدريب النماذج محليًا على أجهزة الـ gNBs التي تعاني من نقص الموارد، بالإضافة إلى ازدحام الروابط التي تعاني من قيود سعة النطاق الترددي أثناء التجميع العالمي لتحديثات النماذج عالية الأبعاد.

لمعالجة هذه التحديات، يُقَدِّم نظام CoCo-Fed، وهو إطار مبتكر يعتمد على ضغط وتوليف التعلم الفيدرالي، والذي يدمج بين كفاءة الذاكرة المحلية وتقليل الاتصال العالمي. محليًا، يقوم CoCo-Fed بتجاوز قيود الذاكرة من خلال تنفيذ إسقاط ثنائي الأبعاد للاشتقاقات، مما يتيح لعداد الأداء العمل على هياكل منخفضة الرتبة دون إضافة معلمات أو زمن استدلال إضافي.

عالميًا، نقوم بتقديم بروتوكول نقل يعتمد على تراكب الفضاء الفرعي المتعامد، حيث يتم إسقاط تحديثات الطبقات وتراكبها في مصفوفة موحدة لكل gNB، مما يقلل بشكل كبير من حركة البيانات اللازمة.

يتمتع النظام أيضًا بأساس نظري راسخ، حيث نثبت تقارب CoCo-Fed حتى في ظل ظروف التعلم غير المراقب، وهو ما يتناسب مع مهام الاستشعار اللاسلكية. من خلال محاكاة موسعة حول مهمة تقدير الزاوية، يتضح أن CoCo-Fed يتفوق بشكل ملحوظ على المعايير الحالية في كفاءة الذاكرة والاتصال، مما يحافظ في الوقت ذاته على تقارب قوي تحت إعدادات غير IID.