CN115989653A - 用于人工神经网络协同训练的已知数据的传输 - Google Patents

用于人工神经网络协同训练的已知数据的传输 Download PDF

Info

Publication number
CN115989653A
CN115989653A CN202180052104.5A CN202180052104A CN115989653A CN 115989653 A CN115989653 A CN 115989653A CN 202180052104 A CN202180052104 A CN 202180052104A CN 115989653 A CN115989653 A CN 115989653A
Authority
CN
China
Prior art keywords
payload
trp
known payload
receiving device
request
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180052104.5A
Other languages
English (en)
Inventor
H·佩泽什基
骆涛
S·阿卡拉卡兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN115989653A publication Critical patent/CN115989653A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/022—Site diversity; Macro-diversity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/231—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the layers above the physical layer, e.g. RRC or MAC-CE signalling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • H04W72/1268—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows of uplink data flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • H04W72/1273—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows of downlink data flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/232—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the physical layer, e.g. DCI signalling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
    • H04W72/563—Allocation or scheduling criteria for wireless resources based on priority criteria of the wireless resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0032—Distributed allocation, i.e. involving a plurality of allocating devices, each making partial allocation
    • H04L5/0035—Resource allocation in a cooperative multipoint environment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0091—Signaling for the administration of the divided path
    • H04L5/0094—Indication of how sub-channels of the path are allocated

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种由接收设备执行的无线通信方法，包括向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。该组发送设备可以是多发送接收点(TRP)群或一组用户设备(UE)。第一发送设备可以是服务TRP或该组UE中的一个UE。该方法还包括响应于该请求从第一发送设备接收第一已知有效载荷。该方法还包括在接收设备处至少基于第一已知有效载荷更新人工神经网络。

Description

用于人工神经网络协同训练的已知数据的传输
相关申请的交叉引用
本申请要求2020年9月11日提交的题为“TRANSMISSION OF KNOWN DATA FORCOOPERATIVE TRAINING OF ARTIFICIAL NEURAL NETWORKS”的美国专利申请第17/019,125号的优先权，该申请的公开内容通过引用全部并入本文。
技术领域
本公开各方面大体上涉及无线通信，更具体地，涉及用于发送用于人工神经网络协作训练的已知有效载荷的技术和装置。
背景技术
无线通信系统被广泛部署以提供各种电信服务，诸如电话、视频、数据、消息收发和广播。典型的无线通信系统可以采用能够通过共享可用系统资源(例如，带宽、发送功率等)来支持与多个用户通信的多址技术。这种多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、时分同步码分多址(TD-SCDMA)系统和长期演进(LTE)。LTE/LTE-Advanced是第三代合作伙伴计划(3GPP)颁布的通用移动通信系统(UMTS)移动标准的一组增强功能。
无线通信网络可以包括能够支持多个用户设备(UE)通信的多个基站(BS)。UE可以通过下行链路和上行链路与BS通信。下行链路(或前向链路)是指从BS到UE的通信链路，上行链路(或反向链路)是指从UE到BS的通信链路。如本文将更详细描述的，BS可以被称为节点B、gNB、接入点(AP)、无线电头端、发送接收点(TRP)、新无线电(NR)BS、第五代(5G)节点B等。
上述多址技术已经在各种电信标准中被采用，以提供一种公共协议，该协议使得不同的用户设备能够在市政、国家、区域甚至全球级别上进行通信。新无线电(NR)，也可以称为5G，是第三代合作伙伴计划(3GPP)颁布的LTE移动标准的一组增强功能。NR旨在通过以下方式更好地支持移动宽带互联网接入：提高频谱效率，降低成本，改进服务，利用新谱以及在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如，也称为离散傅里叶变换扩频OFDM(DFT-s-OFDM))以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚合来更好地与其他开放标准集成。然而，随着对移动宽带接入的需求不断增加，需要进一步改进NR和LTE技术。优选地，这些改进应该适用于其他多址技术和采用这些技术的电信标准。
人工神经网络可以包括互连的人工神经元组(例如神经元模型)。人工神经网络可以是计算设备或表示为由计算设备执行的方法。卷积神经网络(诸如深度卷积神经网络)是一种前馈人工神经网络。卷积神经网络可以包括可以在平铺感受野中配置的神经元层。将神经网络处理应用于无线通信以实现更高的效率是合乎需要的。
发明内容
根据本公开的一个方面，一种由接收设备执行的无线通信方法向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。该方法还响应于该请求从第一发送设备接收第一已知有效载荷。该方法还在接收设备处至少基于第一已知有效载荷更新人工神经网络。
在本公开的另一方面，由一组发送设备中的至少第一发送设备执行的无线通信方法基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷。该方法还从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。该方法还基于第一传输设置向接收设备发送第一已知有效载荷。
在本公开的另一方面，一种由接收设备执行的用于无线通信的装置，包括处理器和与处理器耦接的存储器。当由处理器执行时，存储在存储器中的指令可操作来使得该装置向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。该装置还可以响应于该请求从第一发送设备接收第一已知有效载荷。该装置还可以在接收设备处至少基于第一已知有效载荷更新人工神经网络。
在本公开的另一方面，一种由一组发送设备中的至少第一发送设备执行的用于无线通信的装置，包括处理器和与处理器耦接的存储器。当由处理器执行时，存储在存储器中的指令可操作来使得该装置基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷。该装置还可以从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。该装置还可以基于第一传输设置向接收设备发送第一已知有效载荷。
在本公开的另一方面，接收设备包括用于向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的部件。该接收设备还包括用于响应于该请求从第一发送设备接收第一已知有效载荷的部件。接收设备还包括用于在接收设备处至少基于第一已知有效载荷更新人工神经网络的部件。
在本公开的另一方面，发送设备包括用于基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷的部件。发送设备还包括用于从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的部件。发送设备还包括用于基于第一传输设置向接收设备发送第一已知有效载荷的部件。
在本公开的另一方面，公开了一种其上记录有程序代码的非暂时性计算机可读介质。该程序代码由接收设备执行，并且包括用于向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的程序代码。接收设备还包括用于响应于该请求从第一发送设备接收第一已知有效载荷的程序代码。接收设备还包括用于在接收设备处至少基于第一已知有效载荷更新人工神经网络的程序代码。
在本公开的另一方面，公开了一种其上记录有程序代码的非暂时性计算机可读介质。该程序代码由发送设备执行，并且包括用于基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷的程序代码。发送设备还包括用于从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的程序代码。发送设备还包括用于基于第一传输设置向接收设备发送第一已知有效载荷的程序代码。
各方面通常包括方法、装置、系统、计算机程序产品、非暂时性计算机可读介质、用户设备、基站、无线通信设备和处理系统，如参考附图和说明书充分描述并由附图和说明书示出的。
前面已经相当宽泛地概述了根据本公开的示例的特征和技术优点，以便可以更好地理解下面的具体实施方式。下文将描述附加的特征和优点。所公开的概念和具体示例可以很容易地用作修改或设计用于实现本公开的相同目的的其他结构的基础。这种等同结构不脱离所附权利要求的范围。当结合附图考虑时，从下面的描述中将更好地理解本文公开的概念的特性，它们的组织和操作方法，以及相关的优点。每个附图都是为了说明和描述的目的而提供的，而不是作为权利要求限制的定义。
附图说明
为了能够详细理解本公开的上述特征，可以通过参考各方面来获得上文简要概述的更具体的描述，其中一些方面在附图中示出。然而，要注意的是，附图仅示出了本公开的某些典型方面，因此不应被认为是对其范围的限制，因为该描述可以承认其他同等有效的方面。不同附图中的相同附图标记可以标识相同或相似的元件。
图1是概念性地示出根据本公开的各方面的无线通信网络的示例的框图。
图2是概念性地示出根据本公开的各方面在无线通信网络中与用户设备(UE)通信的基站的示例的框图。
图3示出了根据本公开的某些方面的使用片上系统(SOC)设计神经网络的示例实现方式，包括通用处理器。
图4A、图4B和图4C是示出根据本公开各方面的神经网络的图。
图4D是示出根据本公开各方面的示例性深度卷积网络(DCN)的图。
图5是示出根据本公开各方面的示例性深度卷积网络(DCN)的框图。
图6是示出根据本公开的各方面的多TRP(mTRP)通信的示例的图。
图7是示出根据本公开各方面的人工神经网络的示例的框图。
图8和图9是示出根据本公开各方面发送已知有效载荷的示例的时序图。
图10是示出根据本公开的各方面例如由接收设备执行的示例过程的图。
图11是示出根据本公开的各方面例如由发送设备执行的示例过程的图。
具体实施方式
下文将参考附图更全面地描述本公开的各方面。然而，本公开可以以许多不同的形式实施，并且不应该被解释为限于贯穿本公开呈现的任何特定结构或功能。相反，提供这些方面是为了使本公开彻底和完整，并将本公开的范围完全呈现给本领域技术人员。基于本文的教导，本领域技术人员应该理解，本公开的范围旨在覆盖本文公开的本公开的任何方面，无论是独立于本公开的任何其他方面实现还是与本公开的任何其他方面结合实现。例如，可以使用本文阐述的任何数量的方面来实现装置或实践方法。此外，本公开的范围旨在覆盖这样的装置或方法，该装置或方法在本文阐述的本公开的各方面的基础上还使用其他结构、功能或结构和功能来实践，或者使用不同于本文阐述的本公开的各方面的其他结构、功能或结构和功能来实践。应当理解，本公开的任何方面可以由权利要求的一个或多个元素来体现。
现在将参考各种装置和技术来呈现电信系统的几个方面。这些装置和技术将在以下具体实施方式中描述，并在附图中通过各种块、模块、组件、电路、步骤、过程、算法等(统称为“元素”)示出。这些元素可以使用硬件、软件或其组合来实现。这些元素是实现为硬件还是软件取决于特定的应用和对整个系统的设计限制。
应当注意，虽然可以使用通常与5G和以后的无线技术相关联的术语来描述各方面，但是本公开的各方面可以应用于其他基于代的通信系统，诸如并且包括3G和/或4G技术。
图1是示出可以实践本公开的各方面的网络100的图。网络100可以是5G或NR网络或其他无线网络，诸如LTE网络。无线网络100可以包括多个BS 110(示为BS 110a、BS 110b、BS 110c和BS 110d)和其他网络实体。BS是与UE通信的实体，也可以被称为基站、NR BS、节点B、gNB、5G节点B(NB)、接入点、发送接收点(TRP)等。每个BS可以为特定的地理区域提供通信覆盖。在3GPP中，术语“小区”可以指BS的覆盖区域和/或服务于该覆盖区域的BS子系统，这取决于使用该术语的上下文。
BS可以为宏小区、微微小区、毫微微小区和/或其他类型的小区提供通信覆盖。宏小区可以覆盖相对较大的地理区域(例如，半径几公里)，并且可以允许具有服务订阅的UE不受限制地接入。微微小区可以覆盖相对较小的地理区域，并且可以允许具有服务订阅的UE不受限制地接入。毫微微小区可以覆盖相对较小的地理区域(例如，家庭)，并且可以允许与该毫微微小区相关联的UE(例如，封闭订户组(CSG)中的UE)受限接入。用于宏小区的BS可以被称为宏BS。用于微微小区的BS可以被称为微微BS。用于毫微微小区的BS可以被称为毫微微BS或家庭BS。在图1所示的示例中，BS 110a可以是宏小区102a的宏BS，BS 110b可以是微微小区102b的微微BS，BS 110c可以是毫微微小区102c的毫微微BS。BS可以支持一个或多个(例如，三个)小区。术语“eNB”、“基站”、“NR BS”、“gNB”、“TRP”、“AP”、“节点B”、“5G NB”和“小区”在本文可以互换使用。
在一些方面，小区不一定是静止的，并且小区的地理区域可以根据移动BS的位置而移动。在一些方面，BS可以通过各种类型的回程接口，例如使用任何合适的传输网络的直接物理连接、虚拟网络等，彼此互连和/或互连到无线网络100中的一个或多个其他BS或网络节点(未示出)。
无线网络100还可以包括中继站。中继站是能够从上游站(例如，BS或UE)接收数据传输并向下游站(例如，UE或BS)发送数据传输的实体。中继站也可以是能够为其他UE中继传输的UE。在图1所示的示例中，中继站110d可以与宏BS 110a和UE 120d通信，以便于BS110a和UE 120d之间的通信。中继站也可以被称为中继BS、中继基站、中继等。
无线网络100可以是异构网络，包括不同类型的BS，例如宏BS、微微BS、毫微微BS、中继BS等。这些不同类型的BS可能具有不同的发送功率级、不同的覆盖区域以及对无线网络100中干扰的不同影响。例如，宏BS可以具有高发送功率级(例如，5到40瓦)，而微微BS、毫微微BS和中继BS可以具有较低的发送功率级(例如，0.1到2瓦)。
网络控制器130可以耦接到一组BS，并且可以为这些BS提供协调和控制。网络控制器130可以通过回程与BS通信。BS也可以例如通过无线或有线回程直接或间接相互通信。
UE 120(例如，120a、120b、120c)可以分散在整个无线网络100中，并且每个UE可以是固定的或移动的。UE也可以被称为接入终端、终端、移动站、订户单元、站等。UE可以是蜂窝电话(例如智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、膝上型电脑、无绳电话、无线本地环路(WLL)站、平板电脑、相机、游戏设备、上网本、智能本、超极本、医疗设备或器材、生物传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能珠宝(例如智能戒指、智能手镯))、娱乐设备(例如，音乐或视频设备或卫星无线电设备)、车辆组件或传感器、智能仪表/传感器、工业制造设备、全球定位系统设备或被配置为经由无线或有线介质通信的任何其他合适的设备。
一些UE可以被认为是机器类型通信(MTC)或演进或增强的机器类型通信(eMTC)UE。MTC和eMTC UE包括例如机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等，它们可以与基站、另一设备(例如，远程设备)或一些其他实体通信。例如，无线节点可以通过有线或无线通信链路为网络或向网络(例如，诸如互联网或蜂窝网络的广域网)提供连接。一些UE可以被认为是物联网(IoT)设备，和/或可以被实现为窄带物联网(NB-IoT)设备。一些UE可能被视为用户驻地设备(CPE)。UE 120可以包括在容纳UE 120的组件(诸如处理器组件、存储器组件等)的外壳内。
通常，在给定的地理区域中可以部署任意数量的无线网络。每个无线网络可以支持特定的RAT，并且可以在一个或多个频率上操作。RAT也可以被称为无线电技术、空中接口等。频率也可以被称为载波、频道等。每个频率可以支持给定地理区域中的单个RAT，以避免不同RAT的无线网络之间的干扰。在某些情况下，可能会部署NR或5G RAT网络。
在一些方面，两个或更多个UE 120(例如，示出为UE 120a和UE 120e)可以使用一个或多个侧链路信道直接通信(例如，不使用基站110作为彼此通信的媒介)。例如，UE 120可以使用对等(P2P)通信、设备到设备(D2D)通信、车对一切(V2X)协议(例如，其可以包括车对车(V2V)协议、车对基础设施(V2I)协议等)、网状网络等进行通信。在这种情况下，UE 120可以执行调度操作、资源选择操作和/或本文别处描述为由基站110执行的其他操作。
如上所述，图1仅作为示例提供。其他示例可能不同于关于图1所进行的描述。
图2示出基站110和UE 120的设计200的框图，其可以是图1中的基站之一和UE之一。基站110可以配备T个天线234a至234t，UE 120可以配备R个天线252a至252r，通常情况下，T≥1且R≥1。
在基站110，发送处理器220可以为一个或多个UE从数据源212接收数据，至少部分地基于从UE接收的信道质量指示符(CQI)为每个UE选择一个或多个调制和译码方案(MCS)，至少部分地基于为UE选择的(一个或多个)MCS处理(例如，编码和调制)每个UE的数据，并为所有UE提供数据符号。发送处理器220还可以处理系统信息(例如，用于半静态资源划分信息(SRPI)等)和控制信息(例如，CQI请求、许可、上层信令等)并提供开销符号和控制符号。发送处理器220还可以为参考信号(例如，小区特定参考信号(CRS))和同步信号(例如，主同步信号(PSS)和辅同步信号(SSS))生成参考符号。发送(TX)多输入多输出(MIMO)处理器230可以对数据符号、控制符号、开销符号和/或参考符号(如果适用)执行空间处理(例如，预编码)，并且可以向T个调制器(MOD)232a至232t提供T个输出符号流。每个调制器232可以处理相应的输出符号流(例如，用于OFDM等)以获得输出样本流。每个调制器232可以进一步处理(例如，转换为模拟、放大、滤波和上变频)输出采样流以获得下行链路信号。来自调制器232a至232t的T个下行链路信号可以分别通过T个天线234a至234t发送。根据下面更详细描述的各方面，可以利用位置编码来生成同步信号，以传送附加信息。
在UE 120处，天线252a至252r可以从基站110和/或其他基站接收下行链路信号，并且可以分别向解调器(DEMOD)254a至254r提供接收到的信号。每个解调器254可以调节(例如，滤波、放大、下变频和数字化)接收到的信号以获得输入样本。每个解调器254可以进一步处理输入样本(例如，用于OFDM等)以获得接收到的符号。MIMO检测器256可以从所有R解调器254a至254r获得接收到的符号，如果适用，对接收符号执行MIMO检测，并提供检测到的符号。接收处理器258可以处理(例如，解调和解码)检测到的符号，向数据宿260提供用于UE 120的解码数据，并且向控制器/处理器280提供解码的控制信息和系统信息。信道处理器可以确定参考信号接收功率(RSRP)、接收信号强度指示符(RSSI)、参考信号接收质量(RSRQ)、信道质量指示符(CQI)等。在一些方面，UE 120的一个或多个组件可以被包括在外壳中。
在上行链路上，在UE 120处，发送处理器264可以接收和处理来自数据源262的数据和来自控制器/处理器280的控制信息(例如，包括RSRP、RSSI、RSRQ、CQI等的报告)。发送处理器264还可以为一个或多个参考信号生成参考符号。如果适用的话，来自发送处理器264的符号可以由TX MIMO处理器266预编码，由调制器254a至254r进一步处理(例如，用于DFT-s-OFDM、CP-OFDM等)，并发送到基站110。在基站110，来自UE 120和其他UE的上行链路信号可以由天线234接收，由解调器254处理，由MIMO检测器236检测(如果适用)，并由接收处理器238进一步处理，以获得由UE 120发送的解码数据和控制信息。接收处理器238可以向数据宿239提供解码的数据，并且向控制器/处理器240提供解码的控制信息。基站110可以包括通信单元244，并通过通信单元244与网络控制器130通信。网络控制器130可以包括通信单元294、控制器/处理器290和存储器292。
如下所述，基站110的控制器/处理器240、UE 120的控制器/处理器280和/或图2的任何其他(一个或多个)组件可以执行与发送或接收用于协作神经网络训练的已知有效载荷相关联的一种或多种技术。例如，基站110的控制器/处理器240、UE 120的控制器/处理器280和/或图2的任何其他(一个或多个)组件可以执行或指导例如图10和图11的过程1000、1100和/或所描述的其他过程的操作。存储器242和282可以分别存储基站110和UE 120的数据和程序代码。调度器246可以调度UE在下行链路和/或上行链路上进行数据传输。
在一些方面，UE 120或基站110可以包括：用于向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的部件；用于响应于该请求从第一发送设备接收第一已知有效载荷的部件；以及用于在接收设备处至少基于第一已知有效载荷更新人工神经网络的部件。
在其他方面，UE 120或基站110可以包括：用于基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷的部件；用于从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的部件；以及用于基于第一传输设置向接收设备发送第一已知有效载荷的部件。
这些部件可以包括结合图2描述的UE 120或基站110的一个或多个组件。
如上所述，图2仅作为示例提供。其他示例可能不同于关于图2所进行的描述。
在一些情况下，支持不同类型的应用和/或服务的不同类型的设备可以共存于一个小区中。不同类型设备的示例包括UE手持设备、用户驻地设备(CPE)、车辆、物联网(IoT)设备等。不同类型的应用的示例包括超可靠低延迟通信(URLLC)应用、海量机器类型通信(mMTC)应用、增强型移动宽带(eMBB)应用、车辆对一切(V2X)应用等。此外，在某些情况下，单个设备可以同时支持不同的应用或服务。
图3示出了根据本公开的某些方面的片上系统(SOC)300的示例实现方式，该SOC可以包括中央处理单元(CPU)302或多核CPU，其被配置为发送或接收用于协作神经网络训练的已知有效载荷。SOC 300可以被包括在基站110或UE 120中。变量(例如，神经信号和突触权重)、与计算设备(例如，具有权重的神经网络)相关联的系统参数、延迟、频率窗口信息和任务信息可以存储在与神经处理单元(NPU)108相关联的存储块中、与CPU 302相关联的存储块中、与图形处理单元(GPU)304相关联的存储块中、与数字信号处理器(DSP)306相关联的存储块中、存储块318中，或者可以分布在多个块中。在CPU 302处执行的指令可以从与CPU 302相关联的程序存储器加载，或者可以从存储块318加载。
SOC 300还可以包括针对特定功能定制的附加处理块，诸如GPU 304、DSP 306、连接块310，该连接块310可以包括第五代(5G)连接、第四代长期演进(4G LTE)连接、Wi-Fi连接、USB连接、蓝牙连接等，以及例如可以检测和识别手势的多媒体处理器312。在一个实现方式中，NPU在CPU、DSP和/或GPU中实现。SOC 300还可以包括传感器处理器314、图像信号处理器(ISP)316和/或导航模块320，该导航模块320可以包括全球定位系统。
SOC 300可以基于ARM指令集。在本公开的一个方面，加载到通用处理器302中的指令可以包括：用于向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的代码；用于响应于该请求从第一发送设备接收第一已知有效载荷的代码；以及用于在接收设备处至少基于第一已知有效载荷更新人工神经网络的代码。
在本公开的另一方面，加载到通用处理器302中的指令可以包括：用于基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷的代码；用于从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求的代码；以及用于基于第一传输设置向接收设备发送第一已知有效载荷的代码。
深度学习架构可以通过学习在每一层中连续地更高的抽象级别表示输入来执行对象识别任务，从而建立输入数据的有用特征表示。这样，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，针对对象识别问题的机器学习方法可能严重依赖于人类设计的特征，或许与浅层分类器相结合。例如，浅层分类器可以是两类线性分类器，其中可以将特征向量分量的加权和与阈值进行比较，以预测输入属于哪个类。人类设计的特征可以是由具有领域专业知识的工程师针对特定问题领域定制的模板或内核。相比之下，深度学习架构可以学习表示类似于人类工程师可能设计的功能，但要通过训练。此外，深度网络可以学习表示和识别人类可能尚未考虑到的新类型的特征。
深度学习架构可以学习特征的层级。例如，如果提供有视觉数据，第一层可以学习识别输入流中相对简单的特征，诸如边缘。在另一个示例中，如果提供有听觉数据，第一层可以学习识别特定频率的频谱功率。第二层将第一层的输出作为输入，可以学习识别特征的组合，诸如视觉数据的简单形状或听觉数据的声音组合。例如，较高层可以学习表示视觉数据中的复杂形状或听觉数据中的词。更高层可以学习识别常见的视觉对象或口语短语。
当应用于具有自然分层结构的问题时，深度学习架构可能表现得特别好。例如，机动车辆的分类可能得益于首先学习识别车轮、挡风玻璃和其他特征。这些特征可以在更高层以不同的方式组合，以识别汽车、卡车和飞机。
神经网络可以被设计成具有多种连接模式。在前馈网络中，信息从较低层传递到较高层，给定层中的每个神经元与较高层中的神经元通信。如上所述，可以在前馈网络的连续层中建立分层表示。神经网络也可能具有循环或反馈(也称为自上而下)连接。在循环连接中，来自给定层中的神经元的输出可以被传递到同一层中的另一个神经元。循环架构可能有助于识别跨越多个输入数据块的模式，这些输入数据块按顺序传递给神经网络。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自上而下)连接。当高级概念的识别可以帮助辨别输入的特定低级特征时，具有许多反馈连接的网络可能是有帮助的。
神经网络各层之间的连接可以是完全连接的，也可以是局部连接的。图4A示出了全连接神经网络402的示例。在全连接神经网络402中，第一层中的神经元可以将其输出传送给第二层中的每个神经元，使得第二层中的每个神经元将从第一层中的每个神经元接收输入。图4B示出了局部连接神经网络404的示例。在局部连接神经网络404中，第一层中的神经元可以连接到第二层中有限数量的神经元。更一般地，局部连接神经网络404的局部连接层可以被配置为使得层中的每个神经元将具有相同或相似的连接模式，但连接强度的值可能不同(例如，410、412、414和416)。局部连接的连接模式可以在更高层中产生空间上不同的感受野，因为给定区域中的更高层神经元可以接收输入，该输入通过训练被调整为到网络的总输入的受限部分的属性。
局部连接神经网络的一个示例是卷积神经网络。图4C示出了卷积神经网络406的示例。卷积神经网络406可以被配置成使得与第二层中的每个神经元的输入相关联的连接强度被共享(例如，408)。卷积神经网络可能非常适合于输入的空间定位有意义的问题。
有一种卷积神经网络类型是深度卷积网络(DCN)。图4D示出了DCN400的详细示例，其被设计成从图像捕捉设备430(诸如车载照相机)输入的图像426中识别视觉特征。当前示例的DCN 400可以被训练来识别交通标志和交通标志上的数字。当然，DCN 400可以被训练用于其他任务，诸如识别车道标志或识别交通灯。
DCN 400可以用监督学习来训练。在训练期间，可以向DCN 400呈现图像，例如限速标志的图像426，然后可以计算正向传递以产生输出422。DCN400可以包括特征提取部分和分类部分。一旦接收到图像426，卷积层432可以将卷积核(未示出)应用于图像426，以生成第一组特征图418。例如，卷积层432的卷积核可以是生成28×28特征图的5×5核。在本示例中，因为在第一组特征图418中生成了四个不同的特征图，所以在卷积层432将四个不同的卷积核应用于图像426。卷积核也可以被称为滤波器或卷积滤波器。
第一组特征图418可以由最大池化层(未示出)进行二次采样，以生成第二组特征图420。最大池化层减小了第一组特征图418的大小。也就是说，第二组特征图420的大小(诸如14×14)小于第一组特征图418的大小(诸如28×28)。减小的尺寸为后续层提供了类似的信息，同时减少了存储器消耗。第二组特征图420可以经由一个或多个后续卷积层(未示出)进一步卷积，以生成后续一组或多组的特征图(未示出)。
在图4D的示例中，第二组特征图420被卷积以生成第一特征向量424。此外，第一特征向量424被进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可以包括对应于图像426的可能特征的数字，诸如“符号”、“60”和“100”。softmax函数(未示出)可以将第二特征向量428中的数字转换成概率。这样，DCN 400的输出422是图像426包括一个或多个特征的概率。
在本示例中，输出422中“符号”和“60”的概率高于输出422中其他的概率，诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”。在训练之前，由DCN 400产生的输出422可能是不正确的。因此，可以计算输出422和目标输出之间的误差。目标输出是图像426的基本事实(例如，“符号”和“60”)。然后可以调整DCN 400的权重，使得DCN 400的输出422更接近目标输出。
为了调整权重，学习算法可以计算权重的梯度向量。梯度可以指示如果权重被调整则误差将增加或减少的量。在顶层，梯度可以直接对应于连接倒数第二层中的激活神经元和输出层中的神经元的权重值。在较低层中，梯度可以取决于权重的值和较高层的计算误差梯度。然后可以调整权重以减小误差。这种调整权重的方式可以被称为“反向传播”，因为它涉及通过神经网络的“反向传递”。
在实践中，权重的误差梯度可以通过少量的示例来计算，使得计算的梯度接近基本事实的误差梯度。这种近似方法可以称为随机梯度下降。可以重复随机梯度下降，直到整个系统的可实现误差率已停止下降为止，或者直到误差率已达到目标水平为止。在学习之后，可以向DCN呈现新的图像(例如，图像426的限速标志)，并且通过网络的正向传递可以产生输出422，该输出422可以被认为是DCN的推断或预测。
深度信念网络(DBN)是包括多层隐藏节点的概率模型。DBN可用于提取训练数据集的分层表示。DBN可以通过叠加多层受限玻尔兹曼机(RBM)来获得。RBM是一种人工神经网络，其可以学习一组输入上的概率分布。因为RBM可以在没有关于每个输入应该被分类到的类的信息的情况下学习概率分布，所以RBM经常被用于无监督学习。使用无监督和有监督的混合范例，DBN的底部RBM可以以无监督的方式被训练，并且可以用作特征提取器，而顶部RBM可以以有监督的方式被训练(基于来自先前层的输入和目标类的联合分布)，并且可以用作分类器。
深度卷积网络(DCN)是卷积网络的网络，配置有额外的池化和归一化层。DCN已经在许多任务上实现了最先进的性能。可以使用监督学习来训练DCN，在监督学习中，输入和输出目标对于许多范例都是已知的，并且用于通过使用梯度下降方法来修改网络的权重。
DCN可以是前馈网络。此外，如上所述，从DCN的第一层中的神经元到下一个更高层中的一组神经元的连接在第一层中的神经元之间共享。DCN的前馈和共享连接可用于快速处理。例如，DCN的计算负担可能比包括循环或反馈连接的类似大小的神经网络的计算负担小得多。
卷积网络的每一层的处理可以被认为是空间不变的模板或基础投影。如果输入首先被分解成多个通道，诸如彩色图像的红色、绿色和蓝色通道，那么在该输入上训练的卷积网络可以被认为是三维的，其中两个空间维度沿着图像的轴，第三个维度捕获颜色信息。卷积连接的输出可以被认为形成后续层中的特征图，特征图(例如，220)的每个元素接收来自前一层中的一系列神经元(例如，特征图218)和来自多个通道中的每一个的输入。特征图中的值可以用非线性(诸如校正，max(0,x))进一步处理。来自相邻神经元的值可以被进一步池化，这对应于下采样，并且可以提供额外的局部不变性和维度减少。对应于白化的归一化也可以通过特征图中神经元之间的横向抑制来应用。
随着更多标记的数据点变得可用或者随着计算能力的增加，深度学习架构的性能可以提高。现代深度神经网络通常用计算资源进行训练，这些计算资源是15年前一般研究人员可用资源的数千倍。新的架构和训练范式可能会进一步提高深度学习的性能。校正的线性单元可以减少称为梯度消失的训练问题。新的训练技术可以减少过拟合，从而使更大的模型能够实现更好的泛化。封装技术可以在给定的感受野中提取数据，并进一步提高整体性能。
图5是示出深度卷积网络550的框图。基于连接性和权重共享，深度卷积网络550可以包括多个不同类型的层。如图5所示，深度卷积网络550包括卷积块554A、554B。每个卷积块554A、554B可以配置有卷积层(CONV)356、归一化层(LNorm)558和最大池化层(MAX POOL)560。
卷积层556可以包括一个或多个卷积滤波器，其可以应用于输入数据以生成特征图。尽管仅示出了两个卷积块554A、554B，但是本公开不限于此，根据设计偏好，深度卷积网络550中可以包括任意数量的卷积块554A、554B。归一化层558可以归一化卷积滤波器的输出。例如，归一化层558可以提供白化或横向抑制。最大池化层560可以提供空间上的下采样聚合以实现局部不变性和维度减少。
例如，深度卷积网络的并行滤波器组可以加载在SOC 300的CPU 302或GPU 304上，以实现高性能和低功耗。在替代实施例中，并行滤波器组可以加载在SOC 300的DSP 306或ISP 316上。此外，深度卷积网络550可以访问可能存在于SOC 300上的其他处理块，诸如分别专用于传感器和导航的传感器处理器314和导航模块320。
深度卷积网络550还可以包括一个或多个全连接层562(FC1和FC2)。深度卷积网络550还可以包括逻辑回归(LR)层564。在深度卷积网络550的每一层556、558、560、562、564之间是要被更新的权重(未示出)。每个层(例如，556、558、560、562、564)的输出可以用作深度卷积网络550中的后续层(例如，556、558、560、562、564)的输入，以从在第一卷积块554A处提供的输入数据552(例如，图像、音频、视频、传感器数据和/或其他输入数据)学习分层特征表示。深度卷积网络550的输出是输入数据552的分类得分566。分类得分566可以是一组概率，其中每个概率是输入数据的概率，包括来自一组特征的特征。
图6是示出根据本公开的各个方面的多TRP(mTRP)通信的示例600的图。如图6所示，多个TRP 610(示为TRP A和TRP B)可以以协调的方式(例如，使用协调的多点传输等)与同一UE 620通信，以提高可靠性、增加吞吐量等。UE 620可以是参照图1描述的UE 120的示例。TRP 610可以经由回程来协调通信，当TRP 610共位于同一基站(诸如参照图1描述的基站110)时，回程可以具有更小的延迟和/或更高的传输能力。TRP 610可以对应于同一基站的不同天线阵列。可替代地，当TRP 610位于不同基站时，延迟可能增加和/或传输能力可能降低。图6的TRP 610(例如，TRP A和TRP B)可以是多TRP群的示例。在一些示例中，多TRP群可以是这样一组TRP610，其与相同的UE通信，由接入节点控制器作为一个组来管理，发送相同的物理下行链路共享信道(PDSCH)640，同时和同期发送各个PDSCH 640等。
如图6所示，物理下行链路控制信道(PDCCH)630可以为一个或两个TRP 610调度下行链路通信。由PDCCH 630调度的下行链路通信可以经由物理下行链路共享信道(PDSCH)640来发送。在一种配置中，TRP A和TRP B经由PDSCH 640协调传输。也就是说，TRP A和TRPB可以执行相同的传输。在另一种配置中，TRP A和TRP B经由PDSCH 640执行不同的传输。例如，传输可以包括不同有效载荷、不同调制和译码方案、不同发送功率和/或不同重复方案中的一个或多个。例如，在第一多TRP传输模式(例如，模式1)中，PDCCH 630可以经由PDSCH640为两个TRP 610调度下行链路数据通信。在该示例中，两个TRP 610(例如，TRP A和TRPB)可以在同一PDSCH640上向UE 620发送通信。在另一个示例中，TRP 610可以在不同的(例如，不连续的)资源块(RB)组和/或不同的符号组中独立地进行传输。附加地或可替代地，TRP 610可以使用不同的层(例如，不同的多输入多输出(MIMO)层)独立地进行传输。在一些方面，不同层上的传输可以发生在重叠的资源块和/或重叠的符号中。作为另一个示例，在第二多TRP传输模式(例如，模式2)中，多个PDCCH 630可以为多个对应的PDSCH 640调度下行链路数据通信。
如上所述，图3-图6是作为示例提供的。其他示例可能不同于参考图3-图6所描述的。
人工智能(AI)/机器学习(ML)功能可以改善基站和/或用户设备(UE)处的无线通信。用于执行AI/ML功能的AI/ML模块(诸如参照图3描述的SOC 300)可以在UE、基站处实现，或者用于分布式功能，在UE和基站上联合使用。更具体地，AI/ML模块可以执行神经网络或机器学习模型。虽然本公开可以涉及UE侧的AI/ML模块，但是本公开明确地考虑了自动编码器的情况。在自动编码器场景中，会出现联合训练。
AI/ML模块可以被训练来执行一个或多个任务。神经网络或机器学习模型的权重和偏差可以在离线训练阶段期间从训练数据中导出。为了便于解释，下面提供的示例指的是机器学习模型。本公开还考虑了神经网络或其他类型的可训练模型。在离线训练之前，权重和偏差可以被设置为默认值(例如初始值)。然而，离线训练并不考虑动态的现实环境。而在线训练考虑到了动态的现实环境。例如，在线训练可以利用已知的反映无线环境的空中传输(或信令)来完成。对于在线训练阶段(例如，训练程序)，权重和偏差可以从先前的离线训练阶段设置。在线训练可以在无线信道、噪声和/或其他环境特性方面微调神经网络。在线训练可以被称为神经网络的再训练或更新。
例如，机器学习模型可以估计MIMO解映射器的符号。机器学习模型可以实现一个函数，例如y＝Hx+n，其中y是接收向量，x是发送符号向量，n是噪声向量，H是信道矩阵。机器学习模型可以被离线训练以估计
Figure BDA0004091877050000161
(估计的符号)。通过在线训练微调机器学习模型，可以提高由机器学习模型生成的估计的准确性。在在线训练阶段期间，接收的观测值(y)和估计的信道矩阵(H)被输入到机器学习模型。此外，机器学习模型输出检测到的发送符号，诸如估计符号
Figure BDA0004091877050000171
在传统系统中，设备(例如，UE或gNB)可以解码y，以将解码的
Figure BDA0004091877050000172
用作神经网络的基本事实数据。根据本公开各方面，已知有效载荷的基本事实数据用于训练神经网络。因为有效载荷是已知的，所以ML模型可以使用训练数据来学习如何在存在信道特性、噪声特性等的情况下解释符号。
上述示例是使用已知数据传输进行在线训练的示例。上述示例可以在具有多个发送接收点(TRP)和/或基站的网络中实现，其中多个TRP和/或基站向给定的UE(给定的MIMO秩、MCS等)发送已知有效载荷作为训练数据，并且UE使用已知数据来训练机器学习模型。本公开各方面不限于MIMO解映射器。为机器学习模型考虑了其他类型的函数。在本公开中，已知数据可以与已知有效载荷互换使用。
如上所述，一些机器学习模型可以使用已知的传输(诸如参考信号)来训练。例如，解调参考信号(DMR)或信道状态信息参考信号(CSI-RS)可以是一种已知的传输。然而，参考信号可能无法为某些类型的机器学习模型(例如，神经网络)提供适当的信息。某些机器学习模型(诸如为对数似然比(LLR)计算或MIMO解映射指定的机器学习模型)可以使用除已知传输之外的或替代已知传输的已知数据传输。已知数据传输可以包括在例如物理下行链路控制信道(PDCCH)、物理上行链路控制信道(PUCCH)、物理下行链路共享信道(PDSCH)和/或物理上行链路共享信道(PUSCH)上传输的有效载荷，诸如数据消息或控制信令。
在传统系统中，在数据被解码后，已知的数据传输可以被认为是已知有效载荷。在一个示例中，已知的数据传输可以包括例如已知周期性重复的系统信息块(SIB)。例如，当系统信息(SI)改变时，SIB可以在边界之间重复。此外，在传统系统中，响应于通过循环冗余校验(CRC)，单播传输可以被分类为已知传输。在传统系统中，对用于训练机器学习模型的传输进行解码会增加存储器使用和计算开销两者，从而导致高延迟。例如，接收的调制符号被存储直到解码完成为止，从而增加了存储器使用和计算开销。只有在解码完成之后，符号才可以用于训练。
因此，基站和UE都最好预先知道(例如，同意)某些物理信道传输的有效载荷。在一种配置中，已知有效载荷可用于神经网络在线训练的基本事实数据。在一种配置中，从多个TRP和/或基站发送已知有效载荷。为了便于解释，下面提供的示例描述了多个TRP。然而，本公开各方面不限于多个TRP，也考虑了多个TRP和/或基站。
出于在线训练的目的，信令框架可以使UE和/或多个TRP能够训练它们各自的神经网络(例如，机器学习模型)。双方都知道的已知有效载荷在许多情况下可能是有益的，因为接收器不需要完全解码有效载荷来找到用于训练的标签(例如，基本事实)。
图7是示出根据本公开各方面的人工神经网络700的示例的框图。在图7的示例中，神经网络700在诸如UE或基站的设备上实现。UE可以是如图1所示的UE 120，基站可以是如图1所示的基站110。基站也可以被称为TRP。神经网络700可以在离线训练阶段期间实现。神经网络700可以被训练以基于已知数据(xk)产生估计(y)。可以基于离线训练来学习一组参数(w)，诸如神经网络700的权重和偏差。参数(w)可以由神经网络700的层(诸如层1、层2和层3)使用。层3可以是全连接层。
当部署诸如UE之类的设备时，UE可以更新神经网络700，以考虑诸如信道特性和/或噪声特性之类的一个或多个特性的变化。可以执行在线训练来考虑一个或多个变化。也就是说，可以更新一个或多个参数(w)来考虑一个或多个变化。在一种配置中，基于由损失函数708确定的误差(例如，误差梯度)来更新参数(w)。损失函数708将估计(y)与基本事实值(例如，期望值)进行比较。误差是估计(y)和基本事实值之间的差异(例如，损失)。该误差从损失函数708输出到神经网络700，并且该误差经由神经网络700反向传播以更新参数(w)。
如上所述，本公开的各方面使用已知有效载荷来改进在线训练。在一种配置中，设备将已知有效载荷的估计值(y*)存储在存储器中，诸如设备的存储器和/或与神经网络700相关联的存储器。例如，该值可以是响应于接收已知数据(xk)而为MIMO解映射器估计的符号。也就是说，基于离线训练，神经网络700可以响应于接收已知数据(xk)来确定应该产生的估计值(y*)。已知的估计值(y*)可以被称为基本事实数据或基本事实标签。
根据本公开各方面，在在线训练阶段期间，为了考虑一个或多个特性的变化，设备请求一个或多个发送器710(诸如多个TRP)发送已知数据(xk)。已知数据(xk)可以由神经网络700处理以产生估计(y)。在这个示例中，由于改变的特性，估计(y)可能不同于基本事实数据(y*)。在这个示例中，损失函数708确定估计(y)和基本事实数据(y*)之间的损失。参数(w)可以基于损失进行更新。更新参数(w)可以提高由神经网络700基于未知数据(xu)生成的估计(y)的准确度。在在线训练期间，已知数据(xk)可以基于用于发送未知数据(xu)的传输设置来发送。在训练(例如，在线训练和/或离线训练)之后，损失函数708可以从用于生成估计(y)的过程中排除。
如上所述，多个TRP可以向UE发送已知数据。可以为特定的神经网络定制传输。也就是说，基于一种类型的神经网络，接收设备可能需要不同类型的数据。因此，可以生成特定于接收器的已知有效载荷，以包括针对特定接收器的数据。例如，多个TRP可以使用特定的调制和译码方案(MCS)和/或一个或多个特定的秩，在特定的一组波束对上发送已知数据。类似地，UE可以向多个TRP发送已知数据，从而多个TRP可以训练它们的神经网络。训练数据是专门为一个或多个特定的接收设备定制的。
已知有效载荷可以由UE或多个TRP独立生成。例如，已知有效载荷可以基于无线电资源控制(RRC)配置的加扰种子，或者可以是对于UE和多个TRP都已知的任何序列。
在一种配置中，UE请求触发已知有效载荷的传输。在这种配置中，已知有效载荷在下行链路共享信道(例如，PDSCH)中发送。在另一种配置中，来自多个TRP中的一个或多个的请求触发来自UE的已知有效载荷的传输。UE可以在上行链路共享信道(例如，PUSCH)上发送已知有效载荷。UE和基站请求可以包括特定特性，例如MCS、波束对、秩等。特定神经网络的训练将基于这些要求的特性。
用于训练的下行链路共享信道中的已知有效载荷的传输也可以由一个或多个TRP发送的指示来发起。该指示可以在下行链路控制信道或媒体接入控制(MAC)层控制元素(MAC-CE)中发送。在其他配置中，上行链路共享信道中的已知有效载荷的传输可以由UE指示发起。该指示可以在上行链路控制信道或MAC-CE中发送。
在一种配置中，已知有效载荷的定位(例如，在哪个物理信道上)以及已知有效载荷的确切时间-频率资源、周期性(不定期、半持续、定期等)、持续时间、聚合级别(对于PDCCH)、有效载荷大小等与有效载荷分开被显示地用信号通知。例如，基站可以发送关于已知有效载荷的信息。显式信令可以经由RRC、MAC-CE或者经由下行链路控制信息(DCI)。
已知数据定位的一些非限制性示例包括PDSCH、PUSCH、PUCCH和PDCCH。对于下行链路控制信道(例如，PDCCH)，已知有效载荷可以与在下行链路共享信道(例如，PDSCH)中发送的已知有效载荷或者由UE经由上行链路共享信道(例如，PUSCH)发送的已知有效载荷配对。对于下行链路和上行链路控制信道(例如，PDCCH和PUCCH)，已知有效载荷可以是定期的、不定期的或半持续的，如前所述，参数是单独用信号通知的。这些参数可以包括已知有效载荷的传输的定位和时间(例如，持续时间)。在定期传输的情况下，可以定义半持续调度或配置许可(CG)。已知有效载荷可以被映射到半持续调度或配置的许可。
在一种配置中，基于来自多个TRP的联合传输来训练UE的神经网络。也就是说，来自多个TRP的已知有效载荷可以在UE处被复用和接收。在一种配置中，用于在部署阶段(例如，现实场景)发送未知有效载荷的传输设置被用于在在线和/或离线训练阶段期间发送已知有效载荷。未知有效载荷可以指从多个TRP到UE的数据或控制信道传输，以及从UE到多个TRP的数据或控制信道传输。这些设置可以包括例如用于传输的复用类型、波束对、秩、调制和译码方案(MCS)和/或其他传输设置。
例如，多个TRP可以具有不同的预编码。在一种配置中，UE知道预编码。也就是说，预编码可以是已知的预编码。预编码可以与已知有效载荷分开用信号通知给UE。对于每个TRP，在部署阶段用于未知有效载荷的预编码应该与在离线训练阶段或在线训练阶段期间用于发送已知有效载荷的预编码相同。
此外，多个TRP可以在部署阶段期间复用传输。复用可以是空分复用(SDM)、时分复用(TDM)或频分复用(FDM)。在一种配置中，用于在部署阶段发送未知有效载荷的复用类型应该与用于在离线训练阶段或在线训练阶段期间发送已知有效载荷的复用类型相同。
在一个示例中，在部署阶段，TRP使用时分复用进行传输。例如，第一TRP可以发送数据，然后第二TRP可以发送数据，然后第三TRP可以发送数据。来自第一TRP、第二TRP和第三TRP的数据可以被复用。在该示例中，已知有效载荷也根据用于发送数据(例如，未知有效载荷)的时分复用来发送。在一种配置中，跨多个TRP的秩可以被协调。例如，从第一TRP到UE的传输可以是秩1，而从第二TRP到UE的传输可以是秩2。在离线训练阶段和在线训练阶段期间，已知有效载荷的传输可以在多个TRP之间进行协调，以遵循在部署阶段中使用的TRP的秩。
当在上行链路控制信道上发送已知有效载荷时，可以单独用信号通知与已知有效载荷相关的参数。该信令可以是RRC消息或者经由MAC-CE。单独用信号通知的参数可以包括例如PUCCH格式、上行链路控制信息(UCI)类型和/或有效载荷大小。
图8是示出根据本公开各方面的用于发送已知有效载荷的示例800的时序图。如图8所示，在时间t1，UE 802的人工神经网络被训练。图8的UE 802可以是一组UE(例如，UE组)中的一个UE。为了便于解释，在图8的示例中仅示出了一个UE 802。可以离线训练人工神经网络(例如，在部署UE 802之前)。在部署UE 802之后，UE 802可以在时间t2a向第一TRP 804发送已知有效载荷请求。该请求可以经由物理上行链路控制信道(PUCCH)或媒体接入控制层(MAC)控制单元(CE)来发送。在一种配置中，已知有效载荷请求指示有效载荷是被请求用于自训练(例如，一个UE)还是联合训练(例如，一组UE)。例如，可以为具有多个TRP和多个UE的协作多点(CoMP)组请求联合训练，其中可以为每个TRP指定一个UE。根据本公开各方面，以与CoMP组中的未知有效载荷相同的方式发送已知有效载荷。在一种配置中，第一TRP 804是多TRP(mTRP)组的服务TRP。在图8的示例中，第一TRP 804和第二TRP 806形成多TRP群。多TRP群不限于两个TRP，也可以考虑附加的TRP。如上所述，已知有效载荷请求可以被发送以接收已知数据来更新人工神经网络。在一种配置中，已知有效载荷请求可以取决于训练的目标(例如，更新)。此外，已知有效载荷请求可以包括被请求发送已知数据的其他TRP的列表。其他TRP的列表可以基于排序标准来排序。例如，其他TRP的列表可以从最大到最小的参考信号接收功率(RSRP)排序。此外，已知有效载荷请求可以包括为训练神经网络而指定的传输设置。传输设置可以对应于未知数据的传输设置。例如，传输设置可以包括多TRP群的每个TRP的秩、多TRP群的每个TRP的预编码、波束对和/或调制和译码方案(MCS)。
在图8的示例中，第二TRP 806被包括在其他TRP的列表中。因此，在图8的示例中，在时间t2b，第一TRP 804将已知有效载荷请求转发给第二TRP 806。也就是说，第一TRP 804(例如，服务TRP)将已知有效载荷请求转发给包括在其他TRP列表中的其他TRP。在时间t3，TRP 804和806根据传输设置向UE 802发送已知有效载荷。在图8的示例中，响应于由UE 802发送的已知有效载荷请求，发送已知有效载荷。在另一种配置中，已知有效载荷的传输由来自一个或多个TRP 804和806的指示触发。该指示可以经由下行链路控制信道或MAC-CE来发送。根据本公开各方面，每个TRP 804和806可以发送不同的已知有效载荷。此外，已知有效载荷可以根据复用方案(诸如空分复用(SDM)、时分复用(TDM)或频分复用(FDM))进行复用。在一种配置中，在发送已知有效载荷之前，TRP 804和806中的一个或多个可以发送已知有效载荷信息，包括已知有效载荷的周期性、时间和频率资源以及有效载荷大小中的一个或多个。已知有效载荷信息可以经由无线电资源控制(RRC)信令、MAC-CE或下行链路控制信息(DCI)来发送。已知有效载荷可以在下行链路控制信道(例如，PDCCH)上发送。在一种配置中，在PDCCH上发送的每个已知有效载荷可以对应于在下行链路共享信道(例如，PDSCH)上发送的另一个已知有效载荷。可替代地，已知有效载荷可以仅在下行链路共享信道上发送。此外，可以根据定期调度、半持续调度或者不定期地发送已知有效载荷。在一种配置中，可以基于无线电资源控制(RRC)加扰种子来加扰已知有效载荷。基于RRC加扰种子，有效载荷对于UE 802、第一TRP 804和第二TRP 806可以是已知的。
在图8的示例中，在时间t4，UE 802更新人工神经网络。更新可以是重新训练人工神经网络的一个示例。在时间t4执行的更新可以是在线更新。在一种配置中，如关于图7的示例所描述的，人工神经网络基于从TRP 804和806接收的已知有效载荷生成基本事实值。在一种配置中，人工神经网络处理每个已知有效载荷以生成估计值。人工神经网络的权重和参数可以通过将估计值与相应的基本事实值进行比较来更新。
图9是示出根据本公开各方面的发送已知数据的示例900的时序图。如图9所示，在时间t1a，第一TRP 904的人工神经网络被训练。此外，在时间t1b，第二TRP 906的人工神经网络被训练。人工神经网络可以离线训练。第一TRP 904可以是多TRP(mTRP)组的服务TRP。在图9的示例中，第一TRP 904和第二TRP 906形成多TRP群。多TRP群不限于两个TRP，也可以考虑附加的TRP。一旦被部署(例如，在线)，TRP 904和906中的一个或多个可以在时间t2向UE 902发送已知有效载荷请求。已知有效载荷请求可以单播给一个UE 902，或者组播给一组UE。
图9的UE 902可以是一组UE(例如，UE组)中的一个UE。为了便于解释，在图9的示例中仅示出了一个UE 902。该请求可以经由物理下行链路控制信道(PUCCH)或媒体接入控制层(MAC)控制单元(CE)来发送。如上所述，已知有效载荷请求可以被发送以接收已知数据来更新人工神经网络。在一种配置中，已知有效载荷请求可以取决于训练的目标(例如，更新)。此外，已知有效载荷请求可以包括为训练神经网络而指定的传输设置。传输设置可以对应于未知数据的传输设置。例如，传输设置可以包括波束对和/或调制和译码方案(MCS)。
在时间t3，UE 902根据传输设置向TRP 904和906发送已知有效载荷。UE 902可以向TRP 904和906发送相同的已知有效载荷，或者向每个TRP 904和906发送不同的已知有效载荷。在图9的示例中，响应于由一个或多个TRP904和906发送的已知有效载荷请求，发送已知有效载荷。在另一种配置中，已知有效载荷传输可以由来自UE 902的指示来触发。该通知可以经由上行链路控制信道或MAC-CE来发送。在一种配置中，在发送已知有效载荷之前，UE902可以发送已知有效载荷信息，包括已知有效载荷的周期性、时间和频率资源以及有效载荷大小中的一个或多个。已知有效载荷信息可以经由无线电资源控制(RRC)信令或MAC-CE来发送。已知有效载荷可以在上行链路控制信道(例如，PUCCH)上发送。在一种配置中，在PUCCH上发送的已知有效载荷可以对应于在上行链路共享信道(例如，PUSCH)上发送的已知有效载荷。可替代地，已知有效载荷可以仅在上行链路共享信道上发送。此外，可以根据定期调度、半持续调度或者不定期地发送已知有效载荷。在一种配置中，可以基于无线电资源控制(RRC)加扰种子来加扰已知有效载荷。基于RRC加扰种子，有效载荷对于UE 902、第一TRP 904和第二TRP 906可以是已知的。
在图9的示例中，在时间t4a，第一TRP 904更新人工神经网络。另外，在时间t4b，第二TRP 906更新人工神经网络。更新可以是重新训练人工神经网络的示例。在时间t4a和t4b执行的更新可以是在线更新。在一种配置中，如关于图7的示例所描述的，人工神经网络基于从UE 902接收的已知有效载荷来生成基本事实值。在一种配置中，人工神经网络处理每个已知有效载荷以生成估计值。人工神经网络的权重和参数可以通过将估计值与相应的基本事实值进行比较来更新。
图10是示出根据本公开的各个方面例如由接收设备执行的示例过程1000的图。示例过程1000是请求已知有效载荷的示例，例如，用于训练人工神经网络。
如图10所示，在一些方面，过程1000可以包括向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求(框1002)。例如，接收设备(例如，使用天线252、DEMOD/MOD 254、TX MIMO处理器266、发送处理器264、控制器/处理器280和/或存储器282)可以向一组发送设备中的第一发送设备发送对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。过程1000还可以包括响应于该请求从第一发送设备接收第一已知有效载荷(框1004)。例如，响应于该请求，接收设备(例如，使用天线252、DEMOD/MOD 254、MIMO检测器256、接收处理器258、控制器/处理器280和/或存储器282)可以从第一发送设备接收第一已知有效载荷。过程1000可以包括在接收设备处至少基于第一已知有效载荷更新人工神经网络(框1006)。例如，接收设备(例如，使用天线252、DEMOD/MOD 254、MIMO检测器256、TX MIMO处理器266、接收处理器258、发送处理器264、控制器/处理器280和/或存储器282)可以在接收设备处至少基于第一已知有效载荷来更新人工神经网络。
图11是示出根据本公开的各个方面，例如由发送设备执行的示例过程1100的图。示例过程1100是发送用于训练人工神经网络的已知数据的示例。
如图11所示，在一些方面，过程1100可以包括基于第一发送设备的第一传输设置，向一组接收设备中的接收设备发送第一未知有效载荷(框1102)。例如，发送设备(例如，使用天线252、DEMOD/MOD 254、TX MIMO处理器266、发送处理器264、控制器/处理器280和/或存储器282)可以基于第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷。过程1100还可以包括从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求(框1104)。例如，发送设备(例如，使用天线252、DEMOD/MOD254、MIMO检测器256、接收处理器258、控制器/处理器280和/或存储器282)可以从接收设备接收对用于训练接收设备的人工神经网络的第一已知有效载荷的请求。过程1100还可以包括基于第一传输设置向接收设备发送第一已知有效载荷(框1106)。例如，发送设备(例如，使用天线252、DEMOD/MOD 254、TX MIMO处理器266、发送处理器264、控制器/处理器280和/或存储器282)可以基于第一传输设置向接收设备发送第一已知有效载荷。
前述公开提供了说明和描述，但不旨在穷举或将各方面限制于所公开的精确形式。可以根据上述公开内容进行修改和变化，或者可以从这些方面的实践中获得修改和变化。
如本文所使用的，术语“组件”旨在被广义地解释为硬件、固件和/或硬件和软件的组合。如本文所使用的，处理器以硬件、固件和/或硬件和软件的组合来实现。
本文结合阈值描述了一些方面。如本文所使用的，取决于上下文，满足阈值可以是指值大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值、不等于阈值等。
将会显而易见的是，本文描述的系统和/或方法可以以不同形式的硬件、固件和/或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限于这些方面。因此，本文在没有参考特定的软件代码的情况下描述了系统和/或方法的操作和行为—应当理解，软件和硬件可以被设计成至少部分基于本文的描述来实现系统和/或方法。
尽管特征的特定组合在权利要求中被记载和/或在说明书中被公开，这些组合并不旨在限制各方面的公开。事实上，这些特征中的许多特征可以以权利要求中没有具体记载和/或说明书中没有具体公开的方式来组合。尽管下面列出的每个从属权利要求可以直接从属于仅一个权利要求，但是各方面的公开包括每个从属权利要求与权利要求集合中的每一其他权利要求相组合。提及项目列表中的“至少一者”的短语是指那些项目的任何组合，包括单个成员。例如，“a、b或c中的至少一者”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c，以及具有相同元素的倍数的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c，或a、b和c的任何其他排序)。
除非明确地如此描述，否则本文使用的元素、动作或指令不应被解释为关键或必要的。此外，如本文所用，冠词“一(a)”和“一(an)”旨在包括一个或多个项目，并且可以与“一个或多个”互换使用。此外，如本文所用，术语“集合”和“组”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关和不相关项目的组合等)，并且可以与“一个或多个”互换使用。当仅意指一个项目时，使用短语“仅一个”或类似的语言。此外，如本文所使用的，术语“具有(has)”、“具有(have)”、“具有(having)”等是开放式术语。此外，短语“基于”旨在表示“至少部分基于”，除非另有明确说明。

Claims (109)

1.一种由接收设备执行的无线通信方法，包括：
向一组发送设备中的第一发送设备发送对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求；
响应于所述请求从所述第一发送设备接收所述第一已知有效载荷；以及
在所述接收设备处至少基于所述第一已知有效载荷更新所述人工神经网络。
2.根据权利要求1所述的方法，其中所述第一发送设备是服务发送接收点(TRP)，所述一组发送设备包括多TRP群的一组TRP，并且所述接收设备是用户设备(UE)。
3.根据权利要求2所述的方法，其中所述UE是UE群中的一个UE。
4.根据权利要求2所述的方法，其中：
所述请求还包括对来自所述多TRP群的第二TRP的第二已知有效载荷以及所述第一已知有效载荷和所述第二已知有效载荷的第一传输设置的请求；并且
所述第一传输设置包括复用方案、所述多TRP群的每个TRP的秩、所述多TRP群的每个TRP的预编码、波束对、调制和译码方案(MCS)或其组合中的至少一者。
5.根据权利要求4所述的方法，其中所述第一已知有效载荷和所述第二已知有效载荷的所述第一传输设置与来自所述服务TRP的第一未知有效载荷和来自所述第二TRP的第二未知有效载荷的第二传输设置相同。
6.根据权利要求4所述的方法，其中所述第一已知有效载荷不同于所述第二已知有效载荷。
7.根据权利要求4所述的方法，其中所述复用方案包括空分复用(SDM)、时分复用(TDM)或频分复用(FDM)。
8.根据权利要求4所述的方法，还包括接收信息，所述信息包括所述第一已知有效载荷和所述第二已知有效载荷的周期性、时间和频率资源以及有效载荷大小，其中所述信息是经由无线电资源控制(RRC)信令、媒体接入控制层(MAC)控制元素或下行链路控制信息(DCI)接收的。
9.根据权利要求4所述的方法，还包括在物理下行链路控制信道(PDCCH)上接收所述第一已知有效载荷和所述第二已知有效载荷，所述第一已知有效载荷和所述第二已知有效载荷中的每一个与在物理下行链路共享信道(PDSCH)上接收的有效载荷配对。
10.根据权利要求4所述的方法，还包括根据定期调度、半持续调度或者不定期地接收所述第一已知有效载荷和所述第二已知有效载荷。
11.根据权利要求4所述的方法，其中基于无线电资源控制(RRC)加扰种子对所述第一已知有效载荷和所述第二已知有效载荷进行加扰。
12.根据权利要求11所述的方法，其中基于所述RRC加扰种子，所述第一已知有效载荷和所述第二已知有效载荷对于所述UE、所述服务TRP和所述第二TRP是已知的。
13.根据权利要求1所述的方法，其中所述请求经由物理上行链路控制信道(PUCCH)或媒体接入控制层(MAC)控制单元(CE)发生。
14.根据权利要求13所述的方法，其中在物理下行链路共享信道(PDSCH)中接收所述第一已知有效载荷。
15.根据权利要求1所述的方法，还包括在离线训练阶段期间训练所述人工神经网络，其中更新所述人工神经网络包括在在线训练阶段期间重新训练所述人工神经网络。
16.根据权利要求1所述的方法，还包括从所述第一已知有效载荷生成用于训练所述人工神经网络的基本事实值。
17.根据权利要求16所述的方法，还包括：
通过所述人工神经网络处理所述第一已知有效载荷以产生估计值；以及
通过将所述估计值与所述基本事实值进行比较来更新所述人工神经网络的权重和参数。
18.根据权利要求1所述的方法，其中：
所述第一发送设备是第一用户设备(UE)，并且所述接收设备是多TRP群的发送接收点(TRP)；并且
所述请求包括传输设置，所述传输设置包括复用方案、调制和译码方案(MCS)或其组合中的至少一者。
19.根据权利要求18所述的方法，其中所述一组发送设备包括一组UE。
20.根据权利要求19所述的方法，还包括基于来自所述第一UE的所述第一已知有效载荷和来自所述一组UE中的第二UE的第二已知有效载荷来更新所述人工神经网络。
21.根据权利要求18所述的方法，还包括经由物理上行链路控制信道(PUCCH)接收所述第一已知有效载荷。
22.根据权利要求21所述的方法，还包括经由物理上行链路共享信道(PUSCH)接收第二已知有效载荷，所述第一已知有效载荷与所述第二已知有效载荷配对。
23.根据权利要求18所述的方法，其中经由物理下行链路控制信道(PDCCH)或媒体访问控制层(MAC)控制单元(CE)发送所述请求。
24.一种用于接收设备处进行无线通信的装置，所述装置包括：
处理器；
与所述处理器耦接的存储器；以及
存储在所述存储器中的指令，当由所述处理器执行时，所述指令可操作来使所述装置：
向一组发送设备中的第一发送设备发送对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求；
响应于所述请求从所述第一发送设备接收所述第一已知有效载荷；以及
在所述接收设备处至少基于所述第一已知有效载荷更新所述人工神经网络。
25.根据权利要求24所述的装置，其中所述第一发送设备是服务发送接收点(TRP)，所述一组发送设备包括多TRP群的一组TRP，并且所述接收设备是用户设备(UE)。
26.根据权利要求25所述的装置，其中所述UE是UE群中的一个UE。
27.根据权利要求25所述的装置，其中：
所述请求还包括对来自所述多TRP群的第二TRP的第二已知有效载荷以及所述第一已知有效载荷和所述第二已知有效载荷的第一传输设置的请求；并且
所述第一传输设置包括复用方案、所述多TRP群的每个TRP的秩、所述多TRP群的每个TRP的预编码、波束对、调制和译码方案(MCS)或其组合中的至少一者。
28.根据权利要求27所述的装置，其中所述第一已知有效载荷和所述第二已知有效载荷的所述第一传输设置与来自所述服务TRP的第一未知有效载荷和来自所述第二TRP的第二未知有效载荷的第二传输设置相同。
29.根据权利要求27所述的装置，其中所述第一已知有效载荷不同于所述第二已知有效载荷。
30.根据权利要求27所述的装置，其中所述复用方案包括空分复用(SDM)、时分复用(TDM)或频分复用(FDM)。
31.根据权利要求27所述的装置，其中所述指令进一步使得所述装置接收信息，所述信息包括所述第一已知有效载荷和所述第二已知有效载荷的周期性、时间和频率资源以及有效载荷大小，其中所述信息是经由无线电资源控制(RRC)信令、媒体接入控制层(MAC)控制元素或下行链路控制信息(DCI)接收的。
32.根据权利要求27所述的装置，其中所述指令进一步使得所述装置在物理下行链路控制信道(PDCCH)上接收所述第一已知有效载荷和所述第二已知有效载荷，所述第一已知有效载荷和所述第二已知有效载荷中的每一个与在物理下行链路共享信道(PDSCH)上接收的有效载荷配对。
33.根据权利要求27所述的装置，其中所述指令进一步使得所述装置根据定期调度、半持续调度或者不定期地接收所述第一已知有效载荷和所述第二已知有效载荷。
34.根据权利要求27所述的装置，其中基于无线电资源控制(RRC)加扰种子对所述第一已知有效载荷和所述第二已知有效载荷进行加扰。
35.根据权利要求34所述的装置，其中基于所述RRC加扰种子，所述第一已知有效载荷和所述第二已知有效载荷对于所述UE、所述服务TRP和所述第二TRP是已知的。
36.根据权利要求24所述的装置，其中所述请求经由物理上行链路控制信道(PUCCH)或媒体接入控制层(MAC)控制单元(CE)发生。
37.根据权利要求36所述的装置，其中在物理下行链路共享信道(PDSCH)中接收所述第一已知有效载荷。
38.根据权利要求24所述的装置，其中所述指令进一步使得所述装置在离线训练阶段期间训练所述人工神经网络，其中用于使得所述装置更新所述人工神经网络的指令包括用于使得所述装置在在线训练阶段期间重新训练所述人工神经网络的指令。
39.根据权利要求24所述的装置，其中所述指令进一步使得所述装置从所述第一已知有效载荷生成用于训练所述人工神经网络的基本事实值。
40.根据权利要求39所述的装置，其中所述指令进一步使得所述装置：
通过所述人工神经网络处理所述第一已知有效载荷以产生估计值；以及
通过将所述估计值与所述基本事实值进行比较来更新所述人工神经网络的权重和参数。
41.根据权利要求24所述的装置，其中
所述第一发送设备是第一用户设备(UE)，并且所述接收设备是多TRP群的发送接收点(TRP)；并且
所述请求包括传输设置，所述传输设置包括复用方案、调制和译码方案(MCS)或其组合中的至少一者。
42.根据权利要求41所述的装置，其中所述一组发送设备包括一组UE。
43.根据权利要求42所述的装置，其中所述指令进一步使得所述装置基于来自所述第一UE的所述第一已知有效载荷和来自所述一组UE中的第二UE的第二已知有效载荷来更新所述人工神经网络。
44.根据权利要求41所述的装置，其中所述指令进一步使得所述装置经由物理上行链路控制信道(PUCCH)接收所述第一已知有效载荷。
45.根据权利要求44所述的装置，其中所述指令进一步使得所述装置经由物理上行链路共享信道(PUSCH)接收第二已知有效载荷，所述第一已知有效载荷与所述第二已知有效载荷配对。
46.根据权利要求41所述的装置，其中所述请求经由物理下行链路控制信道(PDCCH)或媒体接入控制层(MAC)控制单元(CE)发送。
47.一种用于无线通信的接收设备，所述接收设备包括：
用于向一组发送设备中的第一发送设备发送对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求的部件；
用于响应于所述请求从所述第一发送设备接收所述第一已知有效载荷的部件；以及
用于在所述接收设备处至少基于所述第一已知有效载荷更新所述人工神经网络的部件。
48.根据权利要求47所述的接收设备，其中所述第一发送设备是服务发送接收点(TRP)，所述一组发送设备包括多TRP群的一组TRP，并且所述接收设备是用户设备(UE)。
49.根据权利要求48所述的接收设备，其中：
所述请求还包括对来自所述多TRP群的第二TRP的第二已知有效载荷以及所述第一已知有效载荷和所述第二已知有效载荷的第一传输设置的请求；并且
所述第一传输设置包括复用方案、所述多TRP群的每个TRP的秩、所述多TRP群的每个TRP的预编码、波束对、调制和译码方案(MCS)或其组合中的至少一者。
50.根据权利要求49所述的接收设备，其中所述第一已知有效载荷和所述第二已知有效载荷的所述第一传输设置与来自所述服务TRP的第一未知有效载荷和来自所述第二TRP的第二未知有效载荷的第二传输设置相同。
51.根据权利要求49所述的接收设备，其中所述第一已知有效载荷不同于所述第二已知有效载荷。
52.根据权利要求47所述的接收设备，还包括用于在离线训练阶段期间训练所述人工神经网络的部件，其中用于更新所述人工神经网络的所述部件包括用于在在线训练阶段期间重新训练所述人工神经网络的部件。
53.根据权利要求47所述的接收设备，还包括用于从所述第一已知有效载荷生成用于训练所述人工神经网络的基本事实值的部件。
54.根据权利要求53所述的接收设备，还包括：
用于通过所述人工神经网络处理所述第一已知有效载荷以产生估计值的部件；以及
用于通过将所述估计值与所述基本事实值进行比较来更新所述人工神经网络的权重和参数的部件。
55.根据权利要求47所述的接收设备，其中：
所述第一发送设备是第一用户设备(UE)，并且所述接收设备是多TRP群的发送接收点(TRP)；并且
所述请求包括传输设置，所述传输设置包括复用方案、调制和译码方案(MCS)或其组合中的至少一者。
56.根据权利要求55所述的接收设备，其中所述一组发送设备包括一组UE。
57.根据权利要求56所述的接收设备，还包括用于基于来自所述第一UE的所述第一已知有效载荷和来自所述一组UE中的第二UE的第二已知有效载荷来更新所述人工神经网络的部件。
58.一种非暂时性计算机可读介质，其上记录有用于由接收设备进行无线通信的程序代码，所述程序代码由处理器执行，并且包括：
用于向一组发送设备中的第一发送设备发送对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求的程序代码；
用于响应于所述请求从所述第一发送设备接收所述第一已知有效载荷的程序代码；以及
用于在所述接收设备处至少基于所述第一已知有效载荷更新所述人工神经网络的程序代码。
59.一种由一组发送设备中的至少第一发送设备执行的无线通信方法，包括：
基于所述第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷；
从所述接收设备接收对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求；以及
基于所述第一传输设置向所述接收设备发送所述第一已知有效载荷。
60.根据权利要求59所述的方法，其中所述接收设备是用户设备(UE)，所述第一发送设备是服务发送接收点(TRP)，并且所述一组发送设备包括多TRP群。
61.根据权利要求60所述的方法，其中：
所述一组接收设备包括UE群；并且
发送所述第一已知有效载荷包括向所述UE群中的每个UE发送所述第一已知有效载荷。
62.根据权利要求60所述的方法，其中：
所述请求还包括对来自所述多TRP群的第二TRP的第二已知有效载荷以及所述第一已知有效载荷和所述第二已知有效载荷的第二传输设置的请求；
所述第二传输设置包括复用方案、所述多TRP群的每个TRP的秩、所述多TRP群的每个TRP的预编码、波束对、调制和译码方案(MCS)或其组合中的至少一者；并且
所述方法还包括从所述第二TRP发送所述第二已知有效载荷。
63.根据权利要求62所述的方法，其中所述第一已知有效载荷和所述第二已知有效载荷的所述第二传输设置与所述第一未知有效载荷和来自所述第二TRP的第二未知有效载荷的所述第一传输设置相同。
64.根据权利要求62所述的方法，其中所述第一已知有效载荷不同于所述第二已知有效载荷。
65.根据权利要求62所述的方法，其中所述复用方案包括空分复用(SDM)、时分复用(TDM)或频分复用(FDM)。
66.根据权利要求62所述的方法，还包括发送信息，所述信息包括所述第一已知有效载荷和所述第二已知有效载荷的周期性、时间和频率资源以及有效载荷大小，其中所述信息是经由无线电资源控制(RRC)信令、媒体接入控制层(MAC)控制元素或下行链路控制信息(DCI)发送的。
67.根据权利要求62所述的方法，其中在物理下行链路控制信道(PDCCH)上发送所述第一已知有效载荷和所述第二已知有效载荷，所述第一已知有效载荷和所述第二已知有效载荷中的每一个与在物理下行链路共享信道(PDSCH)上发送的对应有效载荷配对。
68.根据权利要求62所述的方法，还包括发送信息，所述信息包括所述第一已知有效载荷的周期性、时间和频率资源以及有效载荷大小，其中所述信息是经由无线电资源控制(RRC)信令、媒体接入控制层(MAC)控制元素或下行链路控制信息(DCI)接收的。
69.根据权利要求62所述的方法，其中根据定期调度、半持续调度或者不定期地发送所述第一已知有效载荷和所述第二已知有效载荷。
70.根据权利要求62所述的方法，还包括基于无线电资源控制(RRC)加扰种子来对所述第一已知有效载荷和所述第二已知有效载荷进行加扰。
71.根据权利要求70所述的方法，其中基于所述RRC加扰种子，所述第一已知有效载荷和所述第二已知有效载荷对于所述UE、所述服务TRP和所述第二TRP是已知的。
72.根据权利要求59所述的方法，其中接收所述请求包括经由物理上行链路控制信道(PUCCH)或媒体访问控制层(MAC)控制单元(CE)接收所述请求。
73.根据权利要求72所述的方法，还包括经由物理下行链路共享信道(PDSCH)发送所述第一已知有效载荷。
74.根据权利要求59所述的方法，其中：
所述第一发送设备是第一用户设备(UE)，并且所述接收设备是多TRP群的发送接收点(TRP)；
所述请求包括所述第一已知有效载荷的第二传输设置；
所述第二传输设置包括秩、波束对、调制和译码方案(MCS)或其组合中的至少一者；
发送所述第一已知有效载荷包括向所述多TRP群中的每个TRP发送所述第一已知有效载荷。
75.根据权利要求74所述的方法，其中：
所述一组发送设备包括一组UE；
所述请求还包括对来自所述一组UE的第二UE的第二已知有效载荷的请求；并且
所述第二传输设置包括所述第二已知有效载荷的传输设置。
76.根据权利要求74所述的方法，其中所述第一已知有效载荷的所述第二传输设置与所述第一已知有效载荷的所述第一传输设置相同。
77.根据权利要求74所述的方法，还包括经由物理上行链路控制信道(PUCCH)发送所述第一已知有效载荷。
78.根据权利要求77所述的方法，还包括经由物理上行链路共享信道(PUSCH)发送第二已知有效载荷，所述第一已知有效载荷与所述第二已知有效载荷配对。
79.根据权利要求74所述的方法，其中接收所述请求包括经由物理下行链路控制信道(PDCCH)或媒体访问控制层(MAC)控制单元(CE)接收所述请求。
80.一种用于在一组发送设备的第一发送设备处进行无线通信的装置，包括：
处理器；
与所述处理器耦接的存储器；以及
存储在所述存储器中的指令，当由所述处理器执行时，所述指令可操作来使所述装置：
基于所述第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷；
从所述接收设备接收对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求；以及
基于所述第一传输设置向所述接收设备发送所述第一已知有效载荷。
81.根据权利要求80所述的装置，其中所述接收设备是用户设备(UE)，所述第一发送设备是服务发送接收点(TRP)，并且所述一组发送设备包括多TRP群。
82.根据权利要求81所述的装置，其中：
所述一组接收设备包括UE群；并且
所述指令进一步使得所述装置向所述UE群中的每个UE发送所述第一已知有效载荷。
83.根据权利要求81所述的装置，其中：
所述请求还包括对来自所述多TRP群的第二TRP的第二已知有效载荷以及所述第一已知有效载荷和所述第二已知有效载荷的第二传输设置的请求；并且
所述第二传输设置包括复用方案、所述多TRP群的每个TRP的秩、所述多TRP群的每个TRP的预编码、波束对、调制和译码方案(MCS)或其组合中的至少一者。
84.根据权利要求83所述的装置，其中所述第一已知有效载荷和所述第二已知有效载荷的所述第二传输设置与所述第一未知有效载荷和来自所述第二TRP的第二未知有效载荷的所述第一传输设置相同。
85.根据权利要求83所述的装置，其中所述第一已知有效载荷不同于所述第二已知有效载荷。
86.根据权利要求83所述的装置，其中所述复用方案包括空分复用(SDM)、时分复用(TDM)或频分复用(FDM)。
87.根据权利要求83所述的装置，其中所述指令进一步使得所述装置发送信息，所述信息包括所述第一已知有效载荷和所述第二已知有效载荷的周期性、时间和频率资源以及有效载荷大小，并且所述信息是经由无线电资源控制(RRC)信令、媒体接入控制层(MAC)控制元素或下行链路控制信息(DCI)发送的。
88.根据权利要求83所述的装置，其中在物理下行链路控制信道(PDCCH)上发送所述第一已知有效载荷和所述第二已知有效载荷，所述第一已知有效载荷和所述第二已知有效载荷中的每一个与在物理下行链路共享信道(PDSCH)上发送的对应有效载荷配对。
89.根据权利要求83所述的装置，其中所述指令进一步使得所述装置发送信息，所述信息包括所述第一已知有效载荷的周期性、时间和频率资源以及有效载荷大小，并且所述信息是经由无线电资源控制(RRC)信令、媒体接入控制层(MAC)控制元素或下行链路控制信息(DCI)接收的。
90.根据权利要求83所述的装置，其中根据定期调度、半持续调度或者不定期地发送所述第一已知有效载荷和所述第二已知有效载荷。
91.根据权利要求83所述的装置，其中所述指令进一步使得所述装置基于无线电资源控制(RRC)加扰种子来对所述第一已知有效载荷和所述第二已知有效载荷进行加扰。
92.根据权利要求91所述的装置，其中基于所述RRC加扰种子，所述第一已知有效载荷和所述第二已知有效载荷对于所述UE、所述服务TRP和所述第二TRP是已知的。
93.根据权利要求80所述的装置，其中所述请求经由物理上行链路控制信道(PUCCH)或媒体接入控制层(MAC)控制单元(CE)接收。
94.根据权利要求93所述的装置，其中所述指令进一步使得所述装置经由物理下行链路共享信道(PDSCH)发送所述第一已知有效载荷。
95.根据权利要求80所述的装置，其中
所述第一发送设备是第一用户设备(UE)，并且所述接收设备是多TRP群的发送接收点(TRP)；
所述请求包括所述第一已知有效载荷的第二传输设置；
所述第二传输设置包括秩、波束对、调制和译码方案(MCS)或其组合中的至少一者；
发送所述第一已知有效载荷包括向所述多TRP群中的每个TRP发送所述第一已知有效载荷。
96.根据权利要求95所述的装置，其中：
所述一组发送设备包括一组UE；
所述请求还包括对来自所述一组UE的第二UE的第二已知有效载荷的请求；并且
所述第二传输设置包括所述第二已知有效载荷的传输设置。
97.根据权利要求95所述的装置，其中所述第一已知有效载荷的所述第二传输设置与所述第一已知有效载荷的所述第一传输设置相同。
98.根据权利要求95所述的装置，其中所述指令进一步使得所述装置经由物理上行链路控制信道(PUCCH)发送所述第一已知有效载荷。
99.根据权利要求98所述的装置，其中所述指令进一步使得所述装置经由物理上行链路共享信道(PUSCH)发送第二已知有效载荷，所述第一已知有效载荷与所述第二已知有效载荷配对。
100.根据权利要求95所述的装置，其中所述请求经由物理下行链路控制信道(PDCCH)或媒体接入控制层(MAC)控制单元(CE)接收。
101.一种用于无线通信的一组发送设备中的第一发送设备，包括：
用于基于所述第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷的部件；
用于从所述接收设备接收对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求的部件；以及
用于基于所述第一传输设置向所述接收设备发送所述第一已知有效载荷的部件。
102.根据权利要求101所述的第一发送设备，其中所述接收设备是用户设备(UE)，所述第一发送设备是服务发送接收点(TRP)，并且所述一组发送设备包括多TRP群。
103.根据权利要求102所述的第一发送设备，其中：
所述一组接收设备包括UE群；并且
用于发送所述第一已知有效载荷的所述部件包括用于向所述UE群中的每个UE发送所述第一已知有效载荷的部件。
104.根据权利要求102所述的第一发送设备，其中：
所述请求还包括对来自所述多TRP群的第二TRP的第二已知有效载荷以及所述第一已知有效载荷和所述第二已知有效载荷的第二传输设置的请求；
所述第二传输设置包括复用方案、所述多TRP群的每个TRP的秩、所述多TRP群的每个TRP的预编码、波束对、调制和译码方案(MCS)或其组合中的至少一者。
105.根据权利要求104所述的第一发送设备，其中所述第一已知有效载荷和所述第二已知有效载荷的所述第二传输设置与所述第一未知有效载荷和来自所述第二TRP的第二未知有效载荷的所述第一传输设置相同。
106.根据权利要求101所述的第一发送设备，其中：
所述第一发送设备是第一用户设备(UE)，并且所述接收设备是多TRP群的发送接收点(TRP)；
所述请求包括所述第一已知有效载荷的第二传输设置；
所述第二传输设置包括秩、波束对、调制和译码方案(MCS)或其组合中的至少一者；并且
用于发送所述第一已知有效载荷的所述部件包括用于向所述多TRP群中的每个TRP发送所述第一已知有效载荷的部件。
107.根据权利要求106所述的第一发送设备，其中：
所述一组发送设备包括一组UE；
所述请求还包括对来自所述一组UE的第二UE的第二已知有效载荷的请求；并且
所述第二传输设置包括所述第二已知有效载荷的传输设置。
108.根据权利要求107所述的第一发送设备，其中所述第一已知有效载荷的所述第二传输设置与所述第一已知有效载荷的所述第一传输设置相同。
109.一种非暂时性计算机可读介质，其上记录有用于由一组发送设备中的第一发送设备进行无线通信的程序代码，所述程序代码由处理器执行，并且包括：
用于基于所述第一发送设备的第一传输设置向一组接收设备中的接收设备发送第一未知有效载荷的程序代码；
用于从所述接收设备接收对用于训练所述接收设备的人工神经网络的第一已知有效载荷的请求的程序代码；以及
用于基于所述第一传输设置向所述接收设备发送所述第一已知有效载荷的程序代码。
CN202180052104.5A 2020-09-11 2021-08-16 用于人工神经网络协同训练的已知数据的传输 Pending CN115989653A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/019,125 US11502915B2 (en) 2020-09-11 2020-09-11 Transmission of known data for cooperative training of artificial neural networks
US17/019,125 2020-09-11
PCT/US2021/046169 WO2022055668A1 (en) 2020-09-11 2021-08-16 Transmission of known data for cooperative training of artificial neural networks

Publications (1)

Publication Number Publication Date
CN115989653A true CN115989653A (zh) 2023-04-18

Family

ID=77655701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180052104.5A Pending CN115989653A (zh) 2020-09-11 2021-08-16 用于人工神经网络协同训练的已知数据的传输

Country Status (7)

Country Link
US (1) US11502915B2 (zh)
EP (1) EP4211807A1 (zh)
KR (1) KR20230066330A (zh)
CN (1) CN115989653A (zh)
BR (1) BR112023003844A2 (zh)
TW (1) TW202215799A (zh)
WO (1) WO2022055668A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11817976B2 (en) * 2021-08-02 2023-11-14 Mohammad Sadegh Safari Adaptive coding and modulation
CN117220734A (zh) * 2022-05-31 2023-12-12 华为技术有限公司 一种模型传输的方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102168480B1 (ko) 2016-08-11 2020-10-21 콘비다 와이어리스, 엘엘씨 뉴 라디오에 대한 csi 피드백 설계
EP3729677B1 (en) 2017-12-22 2023-08-09 Telefonaktiebolaget LM Ericsson (publ) A wireless communications system, a radio network node, a machine learning unt and methods therein for transmission of a downlink signal in a wireless communications network supporting beamforming
US11336535B2 (en) * 2019-03-19 2022-05-17 Cisco Technology, Inc. Station movement flow driven automatic RF site grouping
JP7341315B2 (ja) * 2019-08-14 2023-09-08 グーグル エルエルシー ディープニューラルネットワークに関する基地局とユーザ機器とのメッセージング
US11431583B2 (en) * 2019-11-22 2022-08-30 Huawei Technologies Co., Ltd. Personalized tailored air interface
US11645500B2 (en) * 2019-12-03 2023-05-09 Robust Machines, Inc. Method and system for enhancing training data and improving performance for neural network models
US11736899B2 (en) * 2020-01-14 2023-08-22 Nokia Technologies Oy Training in communication systems
US20210326700A1 (en) * 2020-03-12 2021-10-21 Genotaur, Inc. Neural network optimization
EP3886383A1 (en) * 2020-03-23 2021-09-29 Nokia Solutions and Networks Oy Apparatus, method and computer program for routing data in a dual or multi-connectivity configuration
US11252004B2 (en) * 2020-03-30 2022-02-15 Huawei Technologies Co., Ltd. Multiple access wireless communications using a non-gaussian manifold
US20220067500A1 (en) * 2020-08-25 2022-03-03 Capital One Services, Llc Decoupling memory and computation to enable privacy across multiple knowledge bases of user data

Also Published As

Publication number Publication date
US20220086057A1 (en) 2022-03-17
TW202215799A (zh) 2022-04-16
EP4211807A1 (en) 2023-07-19
US11502915B2 (en) 2022-11-15
BR112023003844A2 (pt) 2023-04-04
KR20230066330A (ko) 2023-05-15
WO2022055668A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
US11653228B2 (en) Channel state information (CSI) learning
US20210326701A1 (en) Architecture for machine learning (ml) assisted communications networks
US11984955B2 (en) Configurable neural network for channel state feedback (CSF) learning
US11646838B2 (en) Broadcasting known data to train artificial neural networks
CN115136519A (zh) 用于联合收发机神经网络训练的梯度反馈框架
US20230413070A1 (en) Gradient dataset aware configuration for over-the-air (ota) model aggregation in federated learning
CN115989653A (zh) 用于人工神经网络协同训练的已知数据的传输
US11456834B2 (en) Adaptive demodulation reference signal (DMRS)
US11792877B2 (en) Indication triggering transmission of known data for training artificial neural networks
TW202201935A (zh) 用於無線通道估計和追蹤的神經網路增強
US20220335294A1 (en) Reporting for machine learning model updates
US20230325652A1 (en) Gradient grouping for compression in federated learning for machine learning models
US20230114870A1 (en) Gain scaling of input to neural network for end-to-end learning in wireless communication system
WO2023019380A1 (en) Physical downlink control channel (pdcch) to indicate machine learning (ml) model group switching
US20230021835A1 (en) Signaling for additional training of neural networks for multiple channel conditions
US20230259754A1 (en) Machine learning model validation with verification data
US20230325654A1 (en) Scalable deep learning design for missing input features
KR20230173664A (ko) 머신 러닝 모델 업데이트들을 위한 보고
CN118176674A (zh) 基于机器学习的信道状态信息（csi）报告
CN117157647A (zh) 机器学习模型更新的报告
CN118140559A (zh) 减少资源消耗参考信号的信道状态反馈

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination