CN116325862A - 联合学习中的机器学习组件更新报告 - Google Patents

联合学习中的机器学习组件更新报告 Download PDF

Info

Publication number
CN116325862A
CN116325862A CN202180063206.7A CN202180063206A CN116325862A CN 116325862 A CN116325862 A CN 116325862A CN 202180063206 A CN202180063206 A CN 202180063206A CN 116325862 A CN116325862 A CN 116325862A
Authority
CN
China
Prior art keywords
client device
machine learning
reporting
learning component
aspects
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
CN202180063206.7A
Other languages
English (en)
Inventor
H·D·李
J·纳姆古
T·余
H·J·权
K·K·穆克维利
N·布尚
季庭方
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 CN116325862A publication Critical patent/CN116325862A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • 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

Landscapes

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

Abstract

本公开内容的各个方面通常涉及无线通信。在一些方面，客户端设备可以接收指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或更多个报告条件，客户端设备将报告与机器学习组件相关联的更新。客户端设备可以至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。提供众多其它方面。

Description

联合学习中的机器学习组件更新报告
相关申请的交叉引用
本专利申请要求享受于2020年9月25提交的、标题为“MACHINE LEARNINGCOMPONENT UPDATE REPORTING IN FEDERATED LEARNING”的编号为63/198,048的美国临时专利申请和2021年9月23提交的、标题为“MACHINE LEARNING COMPONENT UPDATEREPORTING IN FEDERATED LEARNING”的编号为17/448,653的美国非临时专利申请的优先权，以引用方式将这两份申请的全部内容明确地并入本文中。
技术领域
本公开内容的各方面大体上涉及无线通信，以及涉及用于联合学习中的机器学习组件更新报告的技术和装置。
背景技术
广泛地部署无线通信系统以提供诸如电话、视频、数据、消息传送和广播的各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如，带宽、发射功率等)来支持与多个用户进行通信的多址技术。这样的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/改进的LTE是对于由第三代合作伙伴计划(3GPP)发布的通用移动电信系统(UMTS)移动标准的增强集合。
无线网络可以包括一数量的基站(BS)，BS可以支持针对一数量的用户设备(UE)的通信。UE可以经由下行链路和上行链路与BS进行通信。“下行链路”(或前向链路)指的是从BS到UE的通信链路，以及“上行链路”(或反向链路)指的是从UE到BS的通信链路。如本文中将更详细地描述的，BS可以指的是节点B、gNB、接入点(AP)、无线电头端、发送接收点(TRP)、新无线电(NR)BS、5G节点B等。
在各种电信标准中已经采纳上文的多址技术，以提供使得不同的用户设备能在城市、国家、地域、甚至全球水平上进行通信的通用协议。NR(其还可以称为5G)是对于由3GPP发布的LTE移动标准的增强集合。NR被设计为通过提高谱效率、降低成本、改善服务、利用新频谱、以及与在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(OFDM)(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如，还称为离散傅里叶变换扩展OFDM(DFT-s-OFDM))的其它开放标准更好地整合，以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚合，来更好地支持移动宽带互联网接入。然而，随着针对移动宽带接入的需求持续增加，存在着针对在LTE和NR技术中进行进一步改进的的需要。优选地，这些改进应当适用于其它多址技术和采用这些技术的电信标准。
发明内容
各方面大体上包括一种由客户端设备执行的无线通信的方法，该方法包括接收指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。
在一些方面，一种由服务器设备执行的无线通信的方法，包括向客户端设备发送指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新。
在一些方面，一种用于无线通信的客户端设备包括存储器；以及耦合到存储器的一个或多个处理器，存储器和一个或多个处理器被配置为接收指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。
在一些方面，一种用于无线通信的服务器设备包括存储器；以及耦合到存储器的一个或多个处理器，存储器和一个或多个处理器被配置为向客户端设备发送指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新。
在一些方面，一种存储用于无线通信的指令集的非暂时性计算机可读介质，指令集包括当由客户端设备的一个或多个处理器执行时使得客户端设备进行以下操作的指令：接收指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。
在一些方面，一种存储用于无线通信的指令集的非暂时性计算机可读介质，指令集包括当由服务器设备的一个或多个处理器执行时使得服务器设备进行以下操作的指令：向客户端设备发送指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新。
在一些方面，一种用于无线通信的装置包括用于接收指示一个或多个报告条件的报告配置的单元，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，装置将报告与机器学习组件相关联的更新；以及用于至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新的单元。
在一些方面，一种用于无线通信的装置包括用于向客户端设备发送指示一个或多个报告条件的报告配置的单元，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及用于至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新的单元。
在一些方面，方法、设备、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、节点、无线通信设备、客户端设备和/或处理系统，如充分地参照附图和说明书描述的以及如通过附图和说明书示出的。
前文已经相对广泛地概述了根据本公开内容的示例的特征和技术优点，以便可以更好地理解下文的具体实施方式。额外的特征和优点将下文中描述。所公开的概念和特定示例可以容易地被利用为用于修改或设计用于执行本公开内容的相同目的的其它结构的基础。这样的等效的构造并不背离所附权利要求书的保护范围。当结合附图来考虑时，根据下文的描述将更好地理解本文所公开的概念的特性(它们的组织和操作方法两者)连同相关联的优点一起。提供附图中的每个附图用于说明和描述的目的，以及不是作为对权利要求的界限的限定。
附图说明
为了可以详细地理解本公开内容的上述特征，可以通过引用各方面来对上文简要总结的内容进行更具体的描述，这些方面中的一些方面是在附图中示出的。但是，应当注意的是，附图示出本公开内容的仅某些典型的方面，以及由于描述可以准许其它等同有效的方面，因此不应被认为是对其保护范围的限制。不同附图中的相同参考数字可以标识相同或者类似的元素。
图1是根据本公开内容示出无线网络的示例的示意图。
图2是根据本公开内容示出在无线网络中基站与用户设备(UE)相通信的示例的示意图。
图3和图4是根据本公开内容示出与联合学习中的机器学习组件更新报告相关联的示例的示意图。
图5和图6是根据本公开内容示出与联合学习中的机器学习组件更新报告相关联的示例过程的示意图。
图7-图10是根据本公开内容的用于无线通信的示例装置的框图。
具体实施方式
本公开内容的各个方面是下文参照附图更全面地描述的。但是，本公开内容可以以多种不同的形式来体现，以及不应当解释为受限于贯穿本公开内容给出的任何具体的结构或功能。而是，提供这些方面以便本公开内容将是透彻的和完整的，以及将向本领域技术人员完整地传达本公开内容的保护范围。基于本文中的教导，本领域技术人员应当理解的是，本公开内容的保护范围旨在覆盖本文中公开的公开内容的任何方面，无论是独立地实现的还是结合本公开内容的任何其它方面实现的。例如，使用本文中阐述的任意数量的方面可以实现装置或可以实践方法。此外，本公开内容的保护范围旨在覆盖可以使用除了本文中阐述的公开内容的各个方面的其它结构、功能、或者结构和功能、或不同于本文中阐述的公开内容的各个方面的其它结构、功能、或者结构和功能来实践的这样的装置或方法。应当理解的是，本文中公开的公开内容的任何方面可以通过权利要求的一个或多个元素来体现。
现在参照各种装置和技术来给出电信系统的若干方面。这些装置和技术将在下文的具体实施方式中进行描述，以及在附图中通过各种框、模块、组件、电路、步骤、过程、算法等(统称为“元素”)来进行说明。这些元素可以是使用硬件、软件或者其任意组合来实现的。至于这样的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所施加的设计约束。
各个方面可以包括一个或多个客户端设备，客户端设备可以与一个或多个服务器设备进行通信。客户端设备可以包括被配置为执行一个或多个操作以及与一个或多个服务器设备进行通信的软件和/或硬件。服务器设备可以包括被配置为执行一个或多个操作以及与一个或多个客户端设备进行通信的软件和/或硬件。客户端设备和/或服务器设备可以是、包括、被包括在和/或实现在任何数量的诸如以下各项的不同类型的计算设备上：例如，网络设备(例如，无线网络设备和/或有线网络设备)、便携式计算机、膝上型计算机、平板设备、工作站、个人计算机、控制器、车载式控制网络、物联网(IoT)设备、交通控制设备、集成接入和回程(IAB)节点、用户设备(UE)、基站、中继站、交换机、路由器、客户驻地设备(CPE)和/或运载工具(例如，陆基运载工具、飞行器、非地面运载工具和/或水基运载工具)。
如上所述，在一些方面，客户端设备和/或服务器设备可以是、被包括在一个或多个无线网络设备中，和/或在一个或多个无线网络设备上实现。例如，在一些方面，客户端设备可以是、包括、被包括在UE中和/或在UE上实现，以及服务器设备可以是、包括、被包括在基站中和/或在基站上实现。在一些方面，客户端设备可以包括被配置为作为客户端进行操作的服务器设备。在一些方面，服务器设备可以包括被配置为作为服务器进行操作的客户端设备。在一些方面，一个或多个服务器设备和/或一个或多个客户端设备可以使用任何数量的类型的通信连接进行通信，诸如例如有线网络、无线网络、多跳网络和/或有线网络、无线电网络和/或多跳网络的组合。
图1和图2以及以下所附的文本提供可以用于实现本文中公开的主题的一个或多个方面的无线网络和无线网络设备的各方面的示例。图3-图6和所附的文本描述可以由客户端设备和/或服务器设备执行的操作的各方面，客户端设备和/或服务器设备可以包括例如在图1和图2中示出的UE和基站，以及结合图1和图2所描述的UE和基站、和/或客户端设备和/或服务器设备的其它实现方式，诸如例如上文所描述的那些。图7-图10和所附的文本根据本公开内容的各个方面描述用于实现客户端设备和/或服务器设备的装置的示例。装置可以包括无线网络设备和/或任何数量的其它计算设备，如上文结合客户端设备和/或服务器设备所指示的。
应当注意的是，虽然各方面可以是在本文中使用通常与5G或NR无线电接入技术(RAT)相关联的术语来描述的，但是本公开内容的各方面可以应用于其它RAT，诸如3G RAT、4G RAT和/或继5G之后的RAT(例如，6G)。
图1是根据本公开内容示出无线网络100的示例的示意图。如上所述，无线网络100的一个或多个方面可以用于实现如图3中所示的以及在下文与其结合进行描述的一个或多个客户端和服务器的各方面。无线网络100可以是5G(NR)网络和/或LTE网络以及其它示例，或者可以包括5G(NR)网络和/或LTE网络以及其它示例的元件。无线网络100可以包括一数量的基站110(示出为BS 110a、BS 110b、BS 110c和BS 110d)和其它网络实体。基站(BS)是与用户设备(UE)进行通信的实体，以及还可以称为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”可以指的是BS的覆盖区域和/或为这个覆盖区域服务的BS子系统，取决于在其中使用术语的上下文。在一些方面，基站110可以是、包括、被包括在和/或用于实现服务器(诸如图3中所示和下文描述的服务器设备308)。UE可以是、包括、被包括在和/或用于实现客户端(诸如图3中所示和下文描述的客户端设备302)。在一些方面，基站110可以是、包括、被包括在和/或用于实现客户端。在一些方面，UE 120可以是、包括、被包括在和/或用于实现服务器。
BS可以为宏小区、微微小区、毫微微小区和/或另一类型的小区提供通信覆盖。宏小区可以覆盖相对大的地理区域(例如，半径若干公里)，以及可以允许由具有服务订制的UE进行不受限制的接入。微微小区可以覆盖相对小的地理区域，以及可以允许由具有服务订制的UE进行不受限制的接入。毫微微小区可以覆盖相对小的地理区域(例如，住宅)，以及可以允许由具有与该毫微微小区的关联的UE(例如，在封闭用户组(CSG)中的UE)进行受限制的接入。用于宏小区的BS可以称为宏BS。用于微微小区的BS可以称为微微BS。用于毫微微小区的BS可以称为毫微微BS或家庭BS。在图1中所示的示例中，BS 110a可以是用于宏小区102a的宏BS，BS 110b可以是用于微微小区102b的微微BS，以及BS 110c可以是用于毫微微小区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”、“NRBS”、“gNB”、“TRP”、“AP”、“节点B”、“5G NB”和“小区”可以互换地使用。
在一些示例中，小区不一定是静止的，以及小区的地理区域可以根据移动BS的位置进行移动。在一些示例中，BS可以使用任何适当的传输网络通过各种类型的回程接口(诸如直接物理连接或虚拟网络)彼此之间互连和/或互连到无线网络100中的一个或多个其它BS或网络节点(未示出)。
无线网络100还可以包括中继站。中继站是可以从上游站(例如，BS或UE)接收对数据的传输，以及向下游站(例如，UE或BS)发送对数据的传输的实体。中继站还可以是可以对针对其它UE的传输进行中继的UE。在图1中所示的示例中，中继BS 110d可以与宏BS 110a和UE 120d进行通信，以便促进在BS 110a与UE 120d之间的通信。中继BS还可以称为中继站、中继基站、中继器等。
在一些方面，无线网络100可以包括一个或多个非地面网络(NTN)部署，在其中非地面无线通信设备可以包括UE(本文中可互换地称为“非地面UE”)、BS(本文中可互换地称为“非地面BS”和“非地面基站”)、中继站(本文中可互换地称为“非地面中继站”)等。如本文中使用的，“NTN”可以指的是针对其由非地面UE、非地面BS、非地面中继站等促进接入的网络。
无线网络100可以包括任何数量的非地面无线通信设备。非地面无线通信设备可以包括卫星、有人驾驶飞行器系统、无人驾驶飞行器系统(UAS)平台等。卫星可以包括低地球轨道(LEO)卫星、中地球轨道(MEO)卫星、对地静止的地球轨道(GEO)卫星、高椭圆轨道(HEO)卫星等。有人驾驶飞行器系统可以包括飞机、直升机、飞船等。UAS平台可以包括高海拔平台站(HAPS)，以及可以包括气球、飞船、飞机等。非地面无线通信设备可以是与无线网络100分开的NTN的一部分。替代地，NTN可以是无线网络100的一部分。卫星可以使用卫星通信直接地和/或间接地与无线网络100中的其它实体进行通信。其它实体可以包括UE(例如，地面UE和/或非地面UE)、一个或多个NTN部署中的其它卫星、其它类型的BS(例如，静止的和/或以地面为基础的BS)、中继站、在无线网络100的核心网中包括的一个或多个组件和/或设备等。
无线网络100可以是包括不同类型的BS(诸如宏BS、微微BS、毫微微BS、中继BS等)的异构网络。这些不同类型的BS可以具有不同的发射功率电平、不同的覆盖区域和对于无线网络100中的干扰的不同的影响。例如，宏BS可以具有高的发射功率电平(例如，5到40瓦特)，而微微BS、毫微微BS和中继BS可以具有较低的发射功率电平(例如，0.1到2瓦特)。
网络控制器130可以耦合到一组BS，以及为这些BS提供协调和控制。网络控制器130可以经由回程与BS进行通信。BS还可以互相例如直接地或者经由无线回程或有线回程间接地进行通信。例如，在一些方面，无线网络100可以是、包括或被包括在无线回程网络(有时称为集成接入和回程(IAB)网络)中。在IAB网络中，至少一个基站(例如，基站110)可以是经由有线回程链路(诸如光纤连接)与核心网进行通信的锚基站。锚基站还可以称为IAB供给方(或IAB-供给方)、中央实体、中央单元等。IAB网络可以包括一个或多个非锚基站，有时称为中继基站、IAB节点(或IAB-节点)。非锚基站可以经由一个或多个回程链路与锚基站直接地或间接地进行通信(例如，经由一个或多个非锚基站)，以形成去往核心网的用于承载回程业务的回程路径。回程链路可以是无线链路。锚基站和/或非锚基站可以经由接入链路与一个或多个UE(例如，UE 120)进行通信，接入链路可以是用于携带接入业务的无线链路。
在一些方面，包括IAB网络的无线电接入网络可以利用毫米波技术和/或定向通信(例如，波束成形、预编码等)用于在基站和/或UE之间的通信(例如，在两个基站之间、在两个UE之间和/或在基站与UE之间)。例如，在基站之间的无线回程链路可以使用毫米波来携带信息和/或可以使用波束成形、预编码等来指向目标基站。类似地，在UE与基站之间的无线接入链路可以使用毫米波和/或可以指向目标无线节点(例如，UE和/或基站)。以这种方式，可以减少链路间干扰。
UE 120(例如，120a、120b、120c)可以散布于整个无线网络100中，以及每个UE可以是静止的或者移动的。UE还可以称为接入终端、终端、移动站、用户单元、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、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板设备、照相机、游戏设备、上网本、智能本、超极本、医疗设备或装备、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、智能手环))、娱乐设备(例如，音乐或视频设备、或者卫星无线电单元)、车载组件或者传感器、智能仪表/传感器、工业制造装备、全球定位系统设备、或者被配置为经由无线介质或有线介质进行通信的任何其它适当的设备。
一些UE可以被认为是机器类型通信(MTC)UE或者演进型或增强型机器类型通信(eMTC)UE。MTC UE和eMTC UE包括例如可以与基站、另一设备(例如，远程设备)或者某种其它实体进行通信的机器人、无人机、远程设备、传感器、仪表、监控器和/或位置标签。无线节点可以经由有线或无线通信链路提供例如针对网络或者到网络(例如，诸如互联网或蜂窝网络的广域网)的连接。一些UE可以被认为是物联网(IoT)设备，和/或可以实现为NB-IoT(窄带物联网)设备。一些UE可以被认为是客户驻地设备(CPE)。UE 120可以被包括在容纳UE120的组件(诸如处理器组件和/或存储器组件)的壳体内部。在一些方面，处理器组件和存储器组件可以耦合在一起。例如，处理器组件(例如，一个或多个处理器)和存储器组件(例如，存储器)可以操作性地耦合、通信地耦合、电子地耦合和/或电力地耦合。
通常，任意数量的无线网络可以部署在给定的地理区域中。每个无线网络可以支持特定的RAT，以及可以在一个或多个频率上进行操作。RAT还可以称为无线电技术、空中接口等。频率还可以称为载波、频率信道等。每个频率可以支持在给定的地理区域中的单个RAT，以便避免在不同的RAT的无线网络之间的干扰。在一些情况下，可以部署NR或者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行链路信道直接地进行通信(例如，不使用基站110作为中间设备来互相通信)。例如，UE 120可以使用对等(P2P)通信、设备到设备(D2D)通信、运载工具到万物(V2X)协议(例如，其可以包括运载工具到运载工具(V2V)协议或者运载工具到基础设施(V2I)协议)和/或网状网络进行通信。在一些方面，UE 120可以执行如由基站110执行的调度操作、资源选择操作和/或本文中其它各处描述的其它操作。
无线网络100的设备可以使用电磁频谱进行通信，电磁频谱可以基于频率或波长来细分为各种类别、频段、信道等。例如，无线网络100的设备可以使用具有第一频率范围(FR1)的工作频段(FR1可以横跨从410MHz到7.125GHz)进行通信，和/或可以使用具有第二频率范围(FR2)的工作频段(FR2可以横跨从24.25GHz到52.6GHz)进行通信。在FR1与FR2之间的频率通常称为中频段频率。虽然FR1的一部分大于6GHz，但是FR1经常称为“低于6GHz”频段。类似地，FR2通常称为“毫米波”频段，尽管其与由国际电信联盟(ITU)认定为“毫米波”频段的极高频率(EHF)频段(30GHz–300GHz)不同。因此，除非另外明确地声明，否则应当理解的是，术语“低于6GHz”等(如果在本文中使用的话)可以广义地表示小于6GHz的频率、在FR1内的频率、和/或中频段频率(例如，大于7.125GHz)。类似地，除非另外明确地声明，否则应当理解的是，术语“毫米波”等(如果在本文中使用的话)可以广泛地表示在EHF频段内的频率、在FR2内的频率和/或中频段频率(例如，小于24.25GHz)。预期的是，可以修改在FR1和FR2中包括的频率，以及本文中描述的技术可以适用于这些修改的频率范围。
如图1中所示，UE 120可以包括第一通信管理器140。如本文中其它地方更详细描述的，第一通信管理器140可以接收指示一个或多个报告条件的报告配置，其中报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。另外地或替代地，第一通信管理器140可以执行本文中描述的一个或多个其它操作。
在一些方面，基站110可以包括第二通信管理器150。如本文中其它地方更详细描述的，第二通信管理器150可以向客户端设备发送指示一个或多个报告条件的报告配置，其中报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新。另外地或替代地，第二通信管理器150可以执行本文中描述的一个或多个其它操作。
如上所述，图1是仅仅作为示例来提供的。其它示例可以与参照图1所描述的示例不同。
图2是根据本公开内容示出无线网络100中基站110与UE 120相通信的示例200的示意图。基站110可以装备有T个天线234a至234t，UE 120可以装备有R个天线252a至252r，其中通常T≥1并且R≥1。
在基站110处，发送处理器220可以从数据源212接收针对一个或多个UE的数据，至少部分地基于从每个UE接收的信道质量指示符(CQI)来选择针对该UE的一个或多个调制和编码方案(MCS)，至少部分地基于针对每个UE选择的MCS来对针对该UE的数据进行处理(例如，编码和调制)，以及为所有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))和控制信息(例如，CQI请求、准许和/或上层信令)，以及提供开销符号和控制符号。发送处理器220还可以生成针对参考信号(例如，小区特定参考信号(CRS)或解调参考信号(DMRS))和同步信号(例如，主同步信号(PSS)或辅同步信号(SSS))的参考符号。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(如果适用的话)执行空间处理(例如，预编码)，以及向T个调制器(MOD)232a至232t提供T个输出符号流。每个调制器232可以处理各自的输出符号流(例如，用于OFDM)以获得输出采样流。每个调制器232可以进一步处理(例如，转换到模拟、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是分别经由T个天线234a至234t来发送的。
在UE 120处，天线252a至252r可以从基站110和/或其它基站接收下行链路信号，以及可以将接收到的信号分别提供给解调器(DEMOD)254a至254r。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采样。每个解调器254可以进一步处理输入采样(例如，用于OFDM等)以获得接收的符号。MIMO检测器256可以从所有R个解调器254a至254r获得接收的符号，对接收的符号执行MIMO检测(如果适用的话)，以及提供检测到的符号。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提供针对UE 120的经解码的数据，以及向控制器/处理器280提供经解码的控制信息和系统信息。术语“控制器/处理器”可以指的是一个或多个控制器、一个或多个处理器或者其组合。信道处理器可以确定参考信号接收功率(RSRP)参数、接收信号强度指示符(RSSI)参数、参考信号接收质量(RSRQ)参数和/或CQI参数。在一些方面，UE 120的一个或多个组件可以被包括在壳体之中。
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。网络控制器130可以包括例如核心网中的一个或多个设备。网络控制器130可以经由通信单元294与基站110进行通信。
天线(例如，天线234a至234t和/或天线252a至252r)可以包括或可以被包括在一个或多个天线面板、天线组、天线元件组和/或天线阵列以及其它示例内。天线面板、天线组、天线元件组和/或天线阵列可以包括一个或多个天线元件。天线面板、天线组、天线元件组和/或天线阵列可以包括一组共面天线元件和/或一组非共面天线元件。天线面板、天线组、天线元件组和/或天线阵列可以包括在单个壳体内的天线元件和/或在多个壳体内的天线元件。天线面板、天线组、天线元件组和/或天线阵列可以包括耦合到一个或多个发送和/或接收组件的一个或多个天线元件，诸如图2的一个或多个组件。
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，用于包括RSRP、RSSI、RSRQ和/或CQI的报告)。发送处理器264还可以生成针对一个或多个参考信号的参考符号。来自发送处理器264的符号可以由TX MIMO处理器266进行预编码(如果适用的话)，由调制器254a至254r进行进一步处理(例如，用于DFT-s-OFDM或CP-OFDM)，以及发送回基站110。在一些方面，UE 120的调制器和解调器(例如，MOD/DEMOD 254)可以被包括在UE 120的调制解调器中。在一些方面，UE 120包括收发机。收发机可以包括天线252、调制器和/或解调器254、MIMO检测器256、接收处理器258、发送处理器264和/或TX MIMO处理器266的任何组合。收发机可以由处理器(例如，控制器/处理器280)和存储器282使用以执行本文中描述的方法中的任何方法的各方面。
在基站110处，来自UE 120和其它UE的上行链路信号可以由天线234进行接收，由解调器232进行处理，由MIMO检测器236进行检测(如果适用的话)，以及由接收处理器238进行进一步处理以获得由UE 120发送的经解码的数据和控制信息。接收处理器238可以将经解码的数据提供给数据宿239，以及将经解码的控制信息提供给控制器/处理器240。基站110可以包括通信单元244，以及经由通信单元244与网络控制器130进行通信。基站110可以包括调度器246以调度UE 120用于下行链路和/或上行链路通信。在一些方面，基站110的调制器和解调器(例如，MOD/DEMOD 232)可以被包括在基站110的调制解调器中。在一些方面，基站110包括收发机。收发机可以包括天线234、调制器和/或解调器232、MIMO检测器236、接收处理器238、发送处理器220和/或TX MIMO处理器230的任何组合。收发机可以由处理器(例如，控制器/处理器240)和存储器242使用以执行本文中描述的方法中的任何方法的各方面。
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的任何其它组件可以执行与联合学习(federated learning)中的机器学习组件更新报告相关联的一个或多个技术，如本文中其它各处更详细地描述的。例如，基站110的控制器/处理器240、UE120的控制器/处理器280和/或图2的任何其它组件可以执行或指导例如图5的过程500、图6的过程600、和/或如本文中描述的其它过程的操作。存储器242和存储器282可以分别存储针对基站110和UE 120的数据和程序代码。在一些方面，存储器242和/或存储器282可以包括存储用于无线通信的一个或多个指令(例如，代码和/或程序代码)的非暂时性计算机可读介质。例如，一个或多个指令当由基站110和/或UE 120的一个或多个处理器执行时(例如，直接地、或者在编译、转换和/或解释之后)可能使得一个或多个处理器、UE 120和/或基站110执行或指导例如图5的过程500、图6的过程600和/或如本文中描述的其它过程的操作。在一些方面，执行指令可以包括运行指令、转换指令、编译指令和/或解释指令以及其它示例。
在一些方面，客户端(例如，UE 120)可以包括用于接收指示一个或多个报告条件的报告配置的单元，其中报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新，和/或用于至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新的单元，以及其它示例。在一些方面，这样的单元可以包括结合图2所描述的UE 120的一个或多个组件，诸如控制器/处理器280、发送处理器264、TX MIMO处理器266、MOD 254、天线252、DEMOD 254、MIMO检测器256和/或接收处理器258，以及其它示例。
在一些方面，服务器(例如，基站110)可以包括用于向客户端设备发送指示一个或多个报告条件的报告配置的单元，其中报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新，和/或用于至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新的单元，以及其它示例。在一些方面，这样的单元可以包括结合图2所描述的基站110的一个或多个组件，诸如天线234、DEMOD 232、MIMO检测器236、接收处理器238、控制器/处理器240、发送处理器220、TX MIMO处理器230、MOD 232和/或天线234，以及其它示例。
虽然将图2中的框示出为有区别的组件，但是上文关于框描述的功能可以在单个硬件、软件或组合组件中或者在组件的各种组合中实现。例如，关于发送处理器264、接收处理器258和/或TX MIMO处理器266描述的功能可以由控制器/处理器280执行，或者在控制器/处理器260的控制之下执行。
如上所述，图2是作为示例来提供的。其它示例可以与参照图2所描述的示例不同。
在网络中操作的客户端设备可以向服务器设备报告信息。信息可以包括与接收到的信号和/或定位信息相关联的信息，以及其它示例。例如，客户端设备可以执行与参考信号相关联的测量，以及将测量结果报告给服务器设备。在一些示例中，客户端设备可以在用于信道状态反馈(CSF)的波束管理过程期间测量参考信号，可以测量来自服务小区和/或相邻小区的参考信号的接收功率，可以测量无线电接入技术(例如，WiFi)网络间的信号强度，和/或可以测量用于检测一个或多个对象在环境内的位置的传感器信号。然而，向服务器设备报告信息可能消耗通信和/或网络资源。
为了减少对资源的消耗，客户端设备(例如，UE、基站、发送接收点(TRP)、网络设备、低地球轨道(LEO)卫星、中地球轨道(MEO)卫星、对地静止的地球轨道(GEO)卫星、和/或高椭圆轨道(HEO)卫星)可以使用一个或多个机器学习组件(例如，神经网络)，机器学习组件可以被训练以学习测量的质量对单独的参数的依赖性，通过一个或多个机器学习组件的各个层来隔离测量的质量(还称为“操作”)，以及以限制压缩损失的方式来压缩测量结果。客户端设备可以向服务器设备(例如，TRP、另一UE和/或基站)发送压缩的测量结果。服务器设备可以使用与一个或多个机器学习组件相关联的一个或多个解压缩操作和重建操作来对压缩的测量结果进行解码。一个或多个解压缩和重建操作可以至少部分地基于压缩的数据集的一组特征来产生重建的测量结果。服务器设备可以至少部分地基于重建的测量结果来执行无线通信动作。
机器学习组件是执行一个或多个机器学习过程的客户端设备的组件(例如，硬件、软件或其组合)。机器学习组件可以包括例如硬件和/或软件，其可以学习执行过程而未被显式地训练为执行该过程。机器学习组件可以包括例如特征学习处理块和/或表示学习处理块。机器学习组件可以包括一个或多个神经网络。神经网络可以包括例如自动编码器。
在一些方面，机器学习组件可以被配置为至少部分地基于观测到的无线通信向量来确定潜在向量。在一些方面，观测到的无线通信向量和潜在向量可以与无线通信任务相关联。观测到的无线通信向量可以包括与结合无线通信获得的一个或多个测量结果相关联的观测值阵列。在一些方面，例如，无线通信任务可以包括确定信道状态反馈(CSF)、确定与客户端设备相关联的定位信息、确定与无线通信相关联的调制、和/或确定与无线通信相关联的波形。潜在向量h是机器学习组件的输出，机器学习组件将观测到的无线通信向量作为输入。潜在向量可以包括与观测到的通信向量的一个或多个方面相关联的隐藏值阵列。
在一些情况下，机器学习组件可以是使用联合学习来训练的。联合学习是使得多个客户端能够基于训练数据来协作地学习机器学习模型的机器学习技术，而服务器设备不从客户端设备收集训练数据。联合学习技术可以涉及从存储在多个客户端设备上的数据训练的一个或多个全局神经网络模型。例如，在联合平均算法中，服务器设备向客户端设备发送神经网络模型。每个客户端设备使用其自己的数据来训练接收到的神经网络模型，以及将更新的神经网络模式发送回服务器设备。服务器设备对来自客户端设备的更新的神经网络模型进行平均，以获得新的神经网络模型。
然而，在一些情况下，一些客户端设备可以在与其它客户端设备不同的场景中操作(例如，室内/室外、在咖啡店中的静止的/在公路上的移动的等)。在一些情况下，不同的客户端设备可能从属于不同的实现方面(例如，不同的形状因素、不同的RF损伤等)。结果，在一些示例中，在物理层链路性能方面，寻找在联合学习网络中的所有设备上都能很好地工作的机器学习组件模型可能是困难的。
为了提供和训练适合于各自的客户端设备的个性化机器学习组件，机器学习组件可以是基于客户端设备的环境来定制的。在一些情况下，观测到的环境向量可以用于表征客户端设备的环境。观测到的环境向量可以包括与客户端设备的环境的一个或多个特征相关联的观测值阵列。客户端设备的环境可以包括与客户端设备相关联的可能影响客户端设备的操作、由客户端设备接收的信号和/或由客户端设备发送的信号的任何特性。客户端设备的操作可以包括可以对任何类型的信息执行的任何操作或者与任何类型的信息有关的任何操作。客户端设备的操作可以包括例如接收信号、解码信号、解调信号、处理信号、编码信号、调制信号和/或发送信号。在一些方面，客户端设备的环境的一个或多个特征可以包括客户端设备的特性、大规模信道特性、信道信息、信号信息和/或图像数据以及其它示例。
在一些情况下，例如，一数量的机器学习组件可以由客户端使用。一个或多个机器学习组件可以被配置为提取关于客户端的环境的特征以确定定制特征向量、条件向量等。定制特征向量可以用于调节一个或多个额外的机器学习组件以在感知到的环境中工作。定制特征向量和观测到的无线通信向量可以作为输入提供给一个或多个额外的机器学习组件，额外的机器学习组件可以被配置为诸如例如通过提供潜在向量来执行无线通信任务。条件向量可以包括客户端特定的参数，客户端特定的参数可以加载到一个或多个其它机器学习组件中以调节一个或多个额外的机器学习组件以在感知到的环境中工作。
在一些情况下，客户端设备可以向服务器设备提供观测到的环境向量、定制特征向量、条件向量等。客户端设备还可以向服务器设备提供潜在向量，服务器设备可以使用与客户端设备的一个或多个机器学习组件相对应的一个或多个机器学习组件来恢复出观测到的无线通信向量。
在一些情况下，客户端设备可以从服务器设备接收机器学习组件。机器学习组件可以包括例如神经网络模型、与神经网络模型相对应的参数、机器学习模型集合等。客户端设备可以至少部分地基于客户端设备获得的训练数据来训练机器学习组件。例如，客户端设备可以基于对客户端设备的环境的观测和/或处理接收到的信号来获得训练数据。
然而，由客户端设备收集的数据的性质和/或范围可能受到客户端设备的任何数量的特性的影响。例如，客户端设备的复杂性可能影响客户端设备可以收集的数据的量(例如，由于用于存储数据的有限的存储器、用于提取和/或分析数据的有限的处理能力、有限的可用功率)。在一些情况下，客户端设备可以被配置为执行具有与收集数据、更新机器学习组件等相比更高的优先级的任务(例如，通信、移动性管理、波束管理)。
在一些情况下，客户端设备可能收集大量的数据，但是该数据可能不是对训练机器学习组件有用的。在一些情况下，收集到的数据可以用于训练机器学习组件，但是机器学习组件的性能可能不通过使用该数据进行训练来提高的。在一些情况下，可以对机器学习组件进行改进，但是可能不会改进足以保证向服务器设备提供更新的显著的量。例如，在客户端设备静止时收集的训练数据可能不是对于相对于移动环境来训练机器学习组件而言有用的。因此，向服务器设备提供机器学习组件的定期更新可能是低效的，以及消耗网络处理和/或通信资源，总体效益不大，从而负面地影响网络性能。
本文中描述的技术和装置的各方面可以促进在联合学习中的机器学习组件更新报告。在一些方面，客户端设备可以接收指示报告条件的报告配置。报告配置可以包括对于至少部分地基于报告条件来报告与机器学习组件相关联的更新的指示。以此方式，对更新的报告可以限于在其中更新可以促进对在服务器设备处维护的机器学习组件进行有用的更新的的情况。结果，各方面可以导致在联合学习中对网络资源的更高效的使用，从而积极地影响网络性能。本文中描述的技术的各方面可以用于包括例如促进信道状态反馈、促进对客户端设备的定位、和/或对用于无线通信的调制和/或波形的学习的任何数量的跨节点机器学习挑战。
图3是根据本公开内容示出在联合学习中的机器学习组件更新报告的示例300的示意图。如所示出的，一数量的客户端设备302、304和306可以与服务器设备308进行通信。客户端设备302、304和306以及服务器设备308可以经由无线网络(例如，图1中所示的无线网络100)互相通信。在一些情况下，多于一个客户端设备302、304、306和/或多于一个服务器设备308可以互相通信。
客户端设备302、304和/或306和/或服务器设备308可以是、类似于、包括、被包括在计算设备中，和/或是使用计算设备来实现的。计算设备可以包括例如无线通信设备、网络设备(例如，无线网络设备和/或有线网络设备)、便携式计算机、膝上型计算机、平板设备、工作站、个人计算机、控制器、车载式控制网络、IoT设备、交通控制设备、IAB节点、UE、基站、中继站、交换机、路由器、CPE、运载工具(例如，陆基运载工具、飞行器、非地面运载工具和/或水基运载工具)和/或任何组合。例如，客户端设备302可以是UE(例如，图1中所示的UE120)，以及服务器设备308可以是基站(例如，如图1中所示的基站110)，以及客户端设备302和服务器设备308可以经由接入链路进行通信。客户端设备302和服务器设备308可以是经由侧行链路进行通信的UE 120。
图3示出客户端设备302。客户端设备304和/或306可以类似于客户端设备302和/或可以具有与客户端设备302相同或相似的方面。如所示出的，客户端设备302可以包括第一通信管理器310(例如，图1中所示的第一通信管理器140)，其可以被配置为利用机器学习组件(例如，示出为第一客户端自动编码器)312来执行一个或多个无线通信任务。第一通信管理器310可以被配置为利用图3中未示出的任何数量的额外的机器学习组件。
如所示出的，机器学习组件312可以包括编码器314，编码器314被配置为接收观测到的无线通信向量x，以及提供潜在向量h作为输出。机器学习组件312还可以包括解码器316，解码器316被配置为接收潜在向量h，以及提供观测到的无线通信向量x作为输出。如图3中所示，服务器设备308可以包括第二通信管理器318(例如，第二通信管理器150)，其可以被配置为利用服务器机器学习组件(例如，示出为服务器自动编码器)320来执行一个或多个无线通信任务。例如，在一些方面，服务器机器学习组件320可以对应于客户端机器学习组件312。第二通信管理器318可以被配置为利用图3中未示出的任何数量的额外的机器学习组件。服务器机器学习组件320可以包括编码器322，编码器322被配置为接收观测到的无线通信向量x作为输入，以及提供潜在向量h作为输出。服务器机器学习组件320还可以包括解码器324，解码器324被配置为接收潜在向量h作为输入，以及提供观测到的无线通信向量x作为输出。
如图3中所示，客户端设备302可以包括收发机(示出为“Tx/Rx”)326，其可以促进与服务器设备308的收发机328进行的无线通信。如通过附图标记330所示，服务器设备308可以使用收发机328向客户端设备302发送无线通信。无线通信可以包括例如诸如信道状态信息参考信号(CSI-RS)的参考信号。客户端设备302的收发机326可以接收无线通信。通信管理器310可以至少部分地基于无线通信来确定观测到的无线通信向量x。例如，在无线通信是CSI-RS的各方面中，观测到的无线通信向量x可以包括信道状态信息(CSI)。
如所示出的，通信管理器310可以将观测到的无线通信向量x作为输入提供给客户端机器学习组件312的编码器314。在一些方面，通信管理器310还可以与客户端设备302的环境相关联的特征向量作为输入提供给编码器314。在一些方面，通信管理器310还可以将客户端特定的参数加载到编码器314的一个或多个级别(level)中。客户端机器学习组件312的编码器314可以至少部分地基于观测到的无线通信向量x来确定潜在向量h。如所示出的，通信管理器310可以将潜在向量h提供给收发机326用于进行传输。如通过附图标记332所示，收发机326可以发送潜在向量h，以及服务器设备308的收发机328可以接收潜在向量h。如所示出的，服务器设备308中的通信管理器318可以将潜在向量h作为输入提供给服务器机器学习组件320的解码器324。解码器324可以至少部分地基于潜在向量h来确定(例如，重建)观测到的无线通信向量x。在一些方面，服务器设备308可以至少部分地基于观测到的无线通信向量x来执行无线通信动作。例如，在观测到的无线通信向量x包括CSI的各方面中，服务器设备308的通信管理器318可以使用CSI用于进行通信分组、波束成形等。
客户端设备302、304和306可以分别使用由客户端设备302，304和306收集的训练数据来在本地训练机器学习组件。客户端设备302、304或306可以通过优化与机器学习组件相关联的模型参数集w(n)来训练机器学习组件(诸如神经网络)，其中n是联合学习轮次索引。客户端设备302、304和306的集合可以被配置为多次向服务器设备308提供更新(例如，周期性地、按需地、在更新本地机器学习组件时等)。服务器设备308每次从客户端设备302和304、306接收到更新，称为一轮次。联合学习轮次索引指示自从由服务器设备308向客户端设备302、304、306发送最后一次全局更新以来的轮次的数量。
在一些方面，例如，客户端设备302的第一通信管理器310可以通过训练机器学习组件312来确定与机器学习组件310相对应的更新。在一些方面，客户端设备302可以收集训练数据以及将其存储在存储器设备334中。存储的训练数据可以称为“本地数据集”。在一些方面，第一通信管理器310可以从存储器设备334存取训练数据，以及使用训练数据从机器学习组件312生成训练输出。
例如，如通过与第一机器学习组件312相关联的虚线指示的，解码器316可以连同训练数据一起用于重建无线通信训练向量。重构的训练向量可以用于促进确定模型参数w(n)，模型参数w(n)使变分下界函数最大化。负的变分下界函数可以对应于与机器学习组件相关联的全局损失函数F(w)。随机梯度下降(SGD)算法可以用于优化模型参数w(n)。客户端设备302可以执行一个或多个SGD过程来确定优化参数w(n)，以及可以确定损失函数相对于损失函数F(w)的梯度
Figure BDA0004126276680000111
其中k是标识客户端设备的索引。第一通信管理器310还可以至少部分地基于损失函数值、梯度等来进一步细化机器学习组件312。
通过训练机器学习组件，第一通信管理器310可以确定与机器学习组件312相对应的更新。在一些方面，更新可以包括更新的模型参数集w(n)、在更新的模型参数集w(n)与先前的模型参数集w(n-1)之间的差异、梯度
Figure BDA0004126276680000112
更新的机器学习组件模型等。客户端设备302可以向服务器设备308发送更新或者其压缩的版本，如下所述。
如通过附图标记336所示，服务器设备308可以发送报告配置，以及客户端设备302可以接收报告配置。根据各个方面，报告配置可以是在下行链路控制信息传输、无线电资源控制消息、介质访问控制(MAC)控制元素(CE)、随机接入信道(RACH)过程等中携带的。在一些方面，报告配置可以指示客户端设备302是否要更新机器学习组件和/或向服务器设备308提供更新。
在一些方面，报告配置可以指示一个或多个报告条件，以及可以包括对于至少部分地基于一个或多个报告条件来报告与机器学习组件相关联的更新的指示。一个或多个报告条件可以对应于由客户端设备302收集的训练数据的量。一个或多个报告条件可以包括数据量门限。例如，在一些方面，客户端设备302可以确定由客户端设备302在收集时段(例如，某个特定的时间段)期间收集的训练数据的量，以及确定由客户端设备302收集的训练数据的量(例如，以样本、千兆字节等)是否满足数据量门限。
如通过附图标记338所示，如果收集的训练数据的量满足数据量门限，则客户端设备302可以向服务器设备308发送更新。根据各个方面，服务器设备308还可以从客户端设备304和/或客户端设备306接收对于机器学习组件的更新。第二通信管理器318可以对接收到的更新进行平均，以及使用平均更新来更新服务器机器学习组件320。
在一些方面，客户端设备302可以至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来发送更新。在一些方面，客户端设备302可以至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限，来确定与机器学习组件相对应的更新。
在一些方面，一个或多个报告条件可以对应于机器学习组件的性能。在一些方面，例如，一个或多个报告条件可以对应于与机器学习组件相关联的数据量门限和性能测量的组合。机器学习组件的“性能”可以指的是利用其机器学习组件执行针对其来设计的任务的精度。例如，损失函数值可以用于确定机器学习组件的性能。例如，在一些方面，一个或多个报告条件可以包括损失函数门限。如果与更新相对应的损失函数值满足损失函数门限，则客户端设备可以向机器学习组件发送更新。
在一些方面，一个或多个报告条件可以对应于损失函数差。损失函数差可以包括在与机器学习组件相关联的第一损失函数值和与机器学习组件相关联的第二损失函数值之间的差。第一损失函数值可以对应于机器学习组件的初始实例，以及第二损失函数值可以对应于机器学习组件的更新的实例。机器学习组件的初始实例可以是在其处将机器学习组件提供给客户端设备302的实例、机器学习组件的最新的(或另外情况下先前的)实例等。
在一些方面，例如，客户端设备302可以接收初始机器学习组件信息。初始机器学习组件信息可以包括初始机器学习组件、与机器学习组件相关联的初始参数集等。在一些方面，客户端设备302可以确定第一损失函数值、确定第二损失函数值以及确定损失函数差。客户端设备302可以进一步确定损失函数差是否满足报告条件。在一些方面，客户端设备302可以至少部分地基于确定损失函数差满足损失函数门限来发送更新。
在一些方面，一个或多个报告条件对应于与机器学习组件相关联的用例。用例可以包括以下各项中的至少一项：CSI推导、定位测量推导、对数据信道的解调、对数据信道的解码或其组合。一个或多个报告条件可以对应于与收集到的数据的集合相关联的数据类型。数据类型可以包括完全相同的独立分布式(I.I.D.)数据。在一些方面，发送更新是至少部分地基于确定收集到的数据的集合包括I.I.D.数据。一个或多个报告条件可以指示要用于报告更新的至少一个通信资源。至少一个通信资源包括时间资源或频率资源中的至少一者。
在一些方面，客户端设备302和/或服务器设备308可以执行一个或多个额外的操作。客户端设备302和/或服务器设备308可以被配置为例如使用一个或多个不同类型的机器学习组件，以使用除了一个或多个机器学习组件之外或者代替一个或多个机器学习组件的一个或者多个过程和/或组件。例如，在一些方面，客户端设备302和/或服务器设备308可以被配置为执行与接收到的信号有关的第一类型的过程，以及执行与接收到的信号和/或另一接收到的信号有关的第二类型的过程。第一类型的过程可以是使用第一算法、第一处理块和/或第一机器学习组件来执行的，以及第二类型的过程可以是使用第二算法、第二处理块和/或第二机器学习组件来执行的。在一示例中，客户端设备302可以使用第一过程来确定与接收到的信号相关联的第一CSI，以及可以使用第二过程来确定与接收到的信号和/或不同的接收到的信号相关联的第二CSI。
如上所述，图3是仅仅作为示例来提供的。其它示例可以与参照图3所描述的示例不同。
图4是根据本公开内容示出在联合学习中的机器学习组件更新报告的示例400的示意图。如所示出的，客户端设备405和服务器设备410可以互相通信。在一些方面，客户端设备405可以是、类似于、包括或被包括在图3中所示的客户端设备302中。在一些方面，服务器设备410可以是、类似于、包括或被包括在图3中所示的服务器设备308中。
如通过附图标记415所示，服务器设备410可以发送报告配置，客户端设备405可以接收报告配置。报告配置可以指示一个或多个报告条件。报告配置可以包括对于至少部分地基于一个或多个报告条件来向服务器设备410报告与机器学习组件相关联的更新的指示。在一些方面，报告配置可以指示要用于报告更新的至少一个通信资源。例如，报告配置可以指示时间资源、频率资源和/或空间资源。
一个或多个报告条件可以对应于由客户端设备405收集的训练数据的量。例如，一个或多个报告条件可以包括数据量门限。一个或多个报告条件可以对应于机器学习组件的性能。一个或多个报告条件可以对应于机器学习组件的损失函数值。例如，一个或多个报告条件可以包括损失函数值门限。一个或多个报告条件可以对应于损失函数差，损失函数差可以是在与机器学习组件相关联的第一损失函数值和与机器学习组件相关联的第二损失函数值之间的差。
一个或多个报告条件可以对应于与机器学习组件相关联的用例。用例可以包括以下各项中的至少一项：CSI推导、定位测量推导、对数据信道的解调、对数据信道的解码或其组合。一个或多个报告条件可以对应于与收集到的数据集合相关联的数据类型。例如，数据类型可以包括I.I.D.数据。在一些方面，一个或多个报告条件可以包括上文和/或本文未显式地指示的报告条件中的任何项的组合。
如通过附图标记420所示，客户端设备405可以收集训练数据。在一些方面，报告配置可以包括对于至少部分地基于确定收集的训练数据的量满足数据量门限来确定对于机器学习组件的更新的指示。如通过附图标记425所示，客户端设备405可以确定更新。客户端设备405可以例如至少部分地基于确定收集的训练数据的量满足数据量门限来确定更新。
如通过附图标记430所示，客户端设备405可以确定满足一个或多个报告条件。如通过附图标记435所示，客户端设备405可以发送机器学习组件更新，以及服务器设备410可以接收机器学习组件更新。在一些方面，客户端设备405可以至少部分地基于确定满足一个或多个报告条件来发送机器学习组件更新。
如通过附图标记440所示，客户端设备405可以确定与机器学习组件相关联的额外的更新未能满足一个或多个报告条件。客户端设备405可以至少部分地基于确定额外的更新未能满足一个或多个报告条件，来抑制向服务器设备410发送额外的更新。
在一些方面，如通过附图标记445所示，客户端设备405可以向服务器设备410发送对于客户端设备正在抑制发送额外的更新的指示(示出为“无更新报告”)。在一些方面，客户端设备405可以在报告中发送关于客户端正在抑制发送额外的更新的指示。例如，在一些方面，可以利用两个不同的报告类型：用于向机器学习组件发送更新的第一类型，以及用于发送关于客户端设备405正在抑制发送更新的指示的第二类型。在一些方面，客户端设备405可以在报告中发送与训练数据集相关联的损失函数值或者与验证数据集相关联的损失函数值中的至少一者。
在一些方面，服务器设备410可以配置(例如，使用报告配置)时间、频率和/或空间资源用于发送两个类型的报告。基于由客户端设备405用于发送报告的资源，服务器设备410可以识别报告的类型。在一些方面，服务器设备410可以执行盲检测过程以识别客户端设备405是否已经发送了报告。
在一些方面，第二类型的报告可以指示报告延迟。报告延迟可以包括在其期间客户端设备405将抑制报告更新的至少一个时间资源或频率资源。在一些方面，第二类型的报告可以指示机器学习组件的当前实例。以此方式，服务器设备410可以知道机器学习组件的当前实例与处理信号相关。
如上所述，图4是仅仅作为示例来提供的。其它示例可以与参照图4所描述的示例不同。
图5是根据本公开内容示出例如由客户端设备执行的示例过程500的示意图。示例过程500是客户端设备(例如，图3中所示的客户端设备302、图4中所示的客户端设备405)执行与在联合学习中的机器学习组件更新报告相关联的操作的示例。
如图5中所示，在一些方面，过程500可以包括接收指示一个或多个报告条件的报告配置，其中报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新(框510)。例如，客户端设备可以(例如，使用图7中描绘的接收组件702)接收指示一个或多个报告条件的报告配置，其中报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新，如上所述。
如图5中进一步所示，在一些方面，过程500可以包括至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新(框520)。例如，客户端设备可以(例如，使用图7中描绘的发送组件706)可以至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。例如，过程500可以包括至少部分地基于确定满足一个或多个报告条件来发送更新，或者至少部分地基于确定未满足一个或多个报告条件，来抑制向服务器设备发送与机器学习组件相关联的更新。
过程500可以包括额外的方面，诸如任何单个方面或者下文所描述的和/或与本文中其它地方所描述的一个或多个其它过程有关的各方面的任何组合。
在第一方面，机器学习组件包括至少一个神经网络。
在第二方面，单独地或者与第一方面结合，一个或多个报告条件对应于由客户端设备收集的训练数据的量。
在第三方面，单独地或者与第一方面和第二方面中的一个或多个方面结合，一个或多个报告条件包括数据量门限，方法还包括确定由客户端设备在收集时段期间收集的训练数据的量，以及确定由客户端设备收集的训练数据的量满足数据量门限，其中，发送更新包括至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来发送更新。
在第四方面，单独地或者与第一方面至第三方面中的一个或多个方面结合，过程500包括至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限，来训练机器学习组件。
在第五方面，单独地或者与第一方面至第四方面中的一个或多个方面结合，一个或多个报告条件对应于机器学习组件的性能。
在第六方面，单独地或者与第一方面至第五方面中的一个或多个方面结合，一个或多个报告条件对应于机器学习组件的损失函数值。
在第七方面，单独地或者与第一方面至第六方面中的一个或多个方面结合，一个或多个报告条件对应于损失函数差，其中，损失函数差包括在与机器学习组件相关联的第一损失函数值和与机器学习组件相关联的第二损失函数值之间的差。
在第八方面，单独地或者与第一方面至第七方面中的一个或多个方面结合，第一损失函数值对应于机器学习组件的初始实例，以及第二损失函数值对应于机器学习组件的更新的实例。
在第九方面，单独地或者与第一方面至第八方面中的一个或多个方面结合，过程500包括接收初始机器学习组件信息，以及至少部分地基于初始机器学习组件信息，来确定机器学习组件的初始实例。
在第十方面，单独地或者与第一方面至第九方面中的一个或多个方面结合，过程500包括确定第一损失函数值，确定第二损失函数值，确定损失函数差，以及确定损失函数差满足报告条件，其中，发送更新包括至少部分地基于确定损失函数差满足损失函数差门限来发送更新。
在第十一方面，单独地或者与第一方面至第十方面中的一个或多个方面结合，一个或多个报告条件对应于与机器学习组件相关联的用例。
在第十二方面，单独地或者与第一方面至第十一方面中的一个或多个方面结合，用例包括以下各项中的至少一项：信道状态信息推导、定位测量推导、对数据信道的解调、对数据信道的解码、或其组合。
在第十三方面，单独地或者与第一方面至第十二方面中的一个或多个方面结合，一个或多个报告条件对应于与收集的数据的集合相关联的数据类型。
在第十四方面，单独地或者与第一方面至第十三方面中的一个或多个方面结合，数据类型包括完全相同的独立分布式数据，其中，发送更新是至少部分地基于确定收集的数据的集合包括完全相同的独立分布式数据。
在第十五方面，单独地或者与第一方面至第十四方面中的一个或多个方面结合，报告配置指示要用于报告更新的至少一个通信资源。
在第十六方面，单独地或者与第一方面至第十五方面中的一个或多个方面结合，至少一个通信资源包括时间资源或频率资源中的至少一者。
在第十七方面，单独地或者与第一方面至第十六方面中的一个或多个方面结合，过程500包括向服务器设备发送关于客户端设备正在抑制发送更新的指示。
在第十八方面，单独地或者与第一方面至第十七方面中的一个或多个方面结合，向服务器设备发送更新包括发送第一类型的报告，以及向服务器设备发送关于客户端设备正在抑制发送更新的指示包括发送第二类型的报告。
在第十九方面，单独地或者与第一方面至第十八方面中的一个或多个方面结合，第二类型的报告指示报告延迟。
在第二十方面，单独地或者与第一方面至第十九方面中的一个或多个方面结合，报告延迟包括在其期间客户端设备将抑制报告额外的更新的至少一个时间资源或频率资源。
在第二十一方面，单独地或者与第一方面至第二十方面中的一个或多个方面结合，第二类型的报告指示机器学习组件的当前实例。
在第二十二方面，单独地或者与第一方面至第二十一方面中的一个或多个方面结合，第二类型的报告指示与训练数据集合相关联的损失函数值或者与验证数据集合相关联的损失函数值中的至少一者。
在第二十三方面，单独地或者与第一方面至第二十二方面中的一个或多个方面结合，客户端设备包括用户设备，以及服务器设备包括基站。
虽然图5示出过程500的示例框，但是在一些方面，与图5中所描绘的那些相比，过程500可以包括额外的框、更少的框、不同的框或者不同地排列的框。另外地或替代地，过程500的框中的两个或更多个框可以是并行地执行的。
图6是根据本公开内容示出例如由服务器设备执行的示例过程600的示意图。示例过程600是服务器设备(例如，图3中所示的服务器设备308、图4中所示的服务器设备410)执行与在联合学习中的机器学习组件更新报告相关联的操作的示例。
如图6中所示，在一些方面，过程600可以包括向客户端设备发送指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新(框610)。例如，服务器设备可以(例如，使用图9中描绘的发送组件906)向客户端设备发送指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新，如上文描述的。
如图6中进一步所示，在一些方面，过程600可以包括至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新(框620)。例如，服务器设备(例如，使用图9中描绘的接收组件902)可以至少部分地基于是否满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新。例如，服务器设备可以至少部分地基于确定满足一个或多个报告条件来接收更新，或者至少部分地基于确定未满足一个或多个报告条件，来未能接收去往服务器设备的与机器学习组件相关联的更新。
过程600可以包括额外的方面，诸如任何单个方面或者下文所描述的和/或与本文中其它地方所描述的一个或多个其它过程有关的各方面的任何组合。
在第一方面，机器学习组件包括至少一个神经网络。
在第二方面，单独地或者与第一方面结合，一个或多个报告条件对应于由客户端设备收集的训练数据的量。
在第三方面，单独地或者与第一方面和第二方面中的一个或多个方面结合，一个或多个报告条件包括数据量门限，其中，接收更新包括至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来接收更新。
在第四方面，单独地或者与第一方面至第三方面中的一个或多个方面结合，报告配置包括对于至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来训练机器学习组件的指示。
在第五方面，单独地或者与第一方面至第四方面中的一个或多个方面结合，一个或多个报告条件对应于机器学习组件的性能。
在第六方面，单独地或者与第一方面至第五方面中的一个或多个方面结合，一个或多个报告条件对应于机器学习组件的损失函数值。
在第七方面，单独地或者与第一方面至第六方面中的一个或多个方面结合，一个或多个报告条件对应于损失函数差，其中，损失函数差包括在与机器学习组件相关联的第一损失函数值和与机器学习组件相关联的第二损失函数值之间的差。
在第八方面，单独地或者与第一方面至第七方面中的一个或多个方面结合，第一损失函数值对应于机器学习组件的初始实例，以及第二损失函数值对应于机器学习组件的更新的实例。
在第九方面，单独地或者与第一方面至第八方面中的一个或多个方面结合，接收更新包括至少部分地基于损失函数差满足损失函数差门限来接收更新。
在第十方面，单独地或者与第一方面至第九方面中的一个或多个方面结合，一个或多个报告条件对应于与机器学习组件相关联的用例。
在第十一方面，单独地或者与第一方面至第十方面中的一个或多个方面结合，用例包括以下各项中的至少一项：信道状态信息推导、定位测量推导、对数据信道的解调、对数据信道的解码、或其组合。
在第十二方面，单独地或者与第一方面至第十一方面中的一个或多个方面结合，一个或多个报告条件对应于与收集的数据的集合相关联的数据类型。
在第十三方面，单独地或者与第一方面至第十二方面中的一个或多个方面结合，数据类型包括完全相同的独立分布式数据，其中，接收更新是至少部分地基于确定收集的数据的集合包括完全相同的独立分布式数据。
在第十四方面，单独地或者与第一方面至第十三方面中的一个或多个方面结合，报告配置指示要用于报告更新的至少一个通信资源。
在第十五方面，单独地或者与第一方面至第十四方面中的一个或多个方面结合，至少一个通信资源包括时间资源或频率资源中的至少一者。
在第十六方面，单独地或者与第一方面至第十五方面中的一个或多个方面结合，过程600包括确定未从客户端设备接收到更新。
在第十七方面，单独地或者与第一方面至第十六方面中的一个或多个方面结合，确定未从客户端设备接收到更新包括执行盲检测过程。
在第十八方面，单独地或者与第一方面至第十七方面中的一个或多个方面结合，确定未从客户端设备接收到更新包括从客户端设备接收关于客户端设备正在抑制发送更新的指示。
在第十九方面，单独地或者与第一方面至第十八方面中的一个或多个方面结合，从客户端设备接收更新包括接收第一类型的报告，以及从客户端设备接收关于客户端设备正在抑制发送更新的指示包括接收第二类型的报告。
在第二十方面，单独地或者与第一方面至第十九方面中的一个或多个方面结合，第二类型的报告指示报告延迟。
在第二十一方面，单独地或者与第一方面至第二十方面中的一个或多个方面结合，报告延迟包括在其期间客户端设备将抑制报告额外的更新的至少一个时间资源或频率资源。
在第二十二方面，单独地或者与第一方面至第二十一方面中的一个或多个方面结合，第二类型的报告指示机器学习组件的当前实例。
在第二十三方面，单独地或者与第一方面至第二十二方面中的一个或多个方面结合，第二类型的报告指示与训练数据集合相关联的损失函数值或者与验证数据集合相关联的损失函数值中的至少一者。
在第二十四方面，单独地或者与第一方面至第二十三方面中的一个或多个方面结合，客户端设备包括用户设备，以及服务器设备包括基站。
虽然图6示出过程600的示例框，但是在一些方面，与图6中所描绘的那些相比，过程600可以包括额外的框、更少的框、不同的框或者不同地排列的框。另外地或替代地，过程600的框中的两个或更多个框可以是并行地执行的。
图7是根据本公开内容用于无线通信的示例装置700的框图。装置700可以是、类似于、包括、或被包括在客户端设备(例如，图3中所示的客户端设备302和/或图4中所示的客户端设备405)中。在一些方面，装置700包括接收组件702、通信管理器704和发送组件706，其可以彼此相通信(例如，经由一个或多个总线)。如所示出的，装置700可以使用接收组件702和发送组件706与另一装置708(诸如客户端设备、服务器、UE、基站或者另一无线通信设备)进行通信。
在一些方面，装置700可以被配置为执行本文结合图3和/或图4所描述的一个或多个操作。另外地或替代地，装置700可以被配置为执行本文中描述的一个或多个过程，诸如图5的过程500。在一些方面，装置700可以包括上文结合图2所描述的第一UE的一个或多个组件。
接收组件702可以提供用于从装置708接收通信(诸如参考信号、控制信息、数据通信或者其组合)的单元。接收组件702可以向装置700的一个或多个其它组件(诸如通信管理器704)提供接收到的通信。在一些方面，接收组件702可以提供用于对接收到的通信执行信号处理(诸如滤波、放大、解调、模数转换、解复用、解交织、解映射、均衡、干扰消除或解码以及其它示例)，以及可以将经处理的信号提供给一个或多个其它组件的单元。在一些方面，接收组件702可以包括上文结合图2所描述的第一UE的一个或多个天线、解调器、MIMO检测器、接收处理器、控制器/处理器、存储器或者其组合。
发送组件706可以提供用于向装置708发送通信(诸如参考信号、控制信息、数据通信或者其组合)的单元。在一些方面，通信管理器704可以生成通信，以及可以将所生成的通信发送给发送组件706用于传输给装置708。在一些方面，发送组件706可以提供用于对所生成的通信执行信号处理(诸如滤波、放大、调制、数模转换、复用、交织、映射或编码以及其它示例)，以及可以将经处理的信号发送给装置708的单元。在一些方面，发送组件706可以包括上文结合图2所描述的第一UE的一个或多个天线、调制器、发送MIMO处理器、发送处理器、控制器/处理器、存储器或者其组合。在一些方面，发送组件706可以与接收组件702并置在收发机中。
在一些方面，通信管理器704可以提供用于接收指示一个或多个报告条件的报告配置的单元，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。在一些方面，通信管理器704可以包括上文结合图2描述的第一UE的控制器/处理器、存储器或其组合。在一些方面，通信管理器704可以包括接收组件702、发送组件706等。在一些方面，由通信管理器704提供的单元可以包括或被包括在由接收组件702、发送组件706等提供的单元内。
在一些方面，通信管理器704和/或通信管理器704的一个或多个组件可以包括硬件(例如，结合图20描述的电路中的一个或者多个电路)，或者可以是在所述硬件内实现的。在一些方面，通信管理器704和/或其一个或多个组件可以包括上文结合图2描述的UE 120的控制器/处理器、存储器或其组合，或者可以是在上文结合图2描述的UE 120的控制器/处理器、存储器或其组合内实现的。
在一些方面，通信管理器704和/或通信管理器704的一个或多个组件可以是以代码(例如，作为存储在存储器中的软件或固件)来实现的。例如，通信管理器704和/或通信管理器704的组件(或组件的一部分)可以实现为存储在非暂时性计算机可读介质中、以及由控制器或处理器可执行的指令或代码，以执行通信管理器706和/或组件的功能或操作。如果以代码来实现，则通信管理器704和/或组件的功能可以由上文结合图2描述的UE 120的控制器/处理器、存储器、调度器、通信单元或其组合来执行。
图7中所示的组件的数量和布置是作为示例来提供的。在实践中，与图7中所示的那些相比，可以存在额外的组件、更少的组件、不同的组件或者不同地布置的组件。此外，图7中所示的两个或更多个组件可以是在单个组件内实现的，或者图7中所示的单个组件可以实现为多个分布式组件。另外地或替代地，图7中所示的一组(一个或多个)组件可以执行描述为如由图7中所示的另一组组件执行的一个或多个功能。
图8是示出采用处理系统804的装置802的硬件实现方式的示例800的示意图。装置802可以是、类似于、包括或被包括在图7中所示的装置700中。
处理系统804可以是在总线架构(通常通过总线806表示的)内实现的。取决于处理系统804的具体应用和总体设计约束，总线806可以包括任意数量的互连总线和桥接。总线806将包括一个或多个处理器和/或硬件组件(通过处理器808表示的)、所示的组件和计算机可读介质/存储器810的各种电路链接在一起。总线806还可以链接诸如定时源、外围设备、电压调节器、功率管理电路等的各种其它电路。
处理系统804可以耦合到收发机812。收发机812耦合到一个或多个天线814。收发机812提供用于通过传输介质与各种其它装置进行通信的单元。收发机812从一个或多个天线814接收信号，从接收到的信号中提取信息，以及将所提取的信息提供给处理系统804(具体地，接收组件816)。此外，收发机812从处理系统804(具体地，发送组件818)接收信息，以及至少部分地基于接收到的信息来生成要施加到一个或多个天线814的信号。
处理器808耦合到计算机可读介质/存储器810。处理器808负责通用处理，包括对存储在计算机可读介质/存储器810上的软件的执行。软件当由处理器808执行时使处理系统804执行本文结合客户端描述的各种功能。计算机可读介质/存储器810还可以用于存储在执行软件时由处理器808操纵的数据。处理系统804可以包括通信管理器820和/或图8中未示出的任何数量的额外的组件。所示出的和/或未示出的组件可以是在处理器808中运行、驻留/存储在计算机可读介质/存储器810中的软件模块、耦合到处理器808的一个或多个硬件模块、或其的一些组合。
在一些方面，处理系统804可以是UE 120的组件，以及可以包括存储器282和/或TXMIMO处理器266、RX处理器258和/或控制器/处理器280中的至少一者。在一些方面，用于无线通信的装置802提供用于接收指示一个或多个报告条件的报告配置的单元，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于是否满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新。前文提及的单元可以是被配置为执行通过前文提及的单元记载的功能的装置802的处理系统804的额外的组件中的一个或多个组件。如本文中其它地方所描述的，处理系统804可以包括TX MIMO处理器266、RX处理器258和/或控制器/处理器280。在一个配置中，前文提及的单元可以是被配置为执行本文中记载的功能和/或操作的TX MIMO处理器266、RX处理器258和/或控制器/处理器280。
图8是作为示例来提供的。其它示例可以与参照图8所描述的示例不同。
图9是根据本公开内容用于无线通信的示例装置900的框图。装置900可以是、类似于、包括、或被包括在服务器设备(例如，图3中所示的服务器设备308和/或图4中所示的服务器设备410)中。在一些方面，装置900包括接收组件902、通信管理器904和发送组件906，其可以彼此相通信(例如，经由一个或多个总线)。如所示出的，装置900可以使用接收组件902和发送组件906与另一装置908(诸如客户端、服务器、UE、基站或者另一无线通信设备)进行通信。
在一些方面，装置900可以被配置为执行本文结合图3和/或图4所描述的一个或多个操作。另外地或替代地，装置900可以被配置为执行本文中描述的一个或多个过程，诸如图6的过程600。在一些方面，装置900可以包括上文结合图2所描述的基站的一个或多个组件。
接收组件902可以提供用于从装置908接收通信(诸如参考信号、控制信息、数据通信或者其组合)的单元。接收组件902可以向装置900的一个或多个其它组件(诸如通信管理器904)提供接收到的通信。在一些方面，接收组件902可以提供用于对接收到的通信执行信号处理(诸如滤波、放大、解调、模数转换、解复用、解交织、解映射、均衡、干扰消除或解码以及其它示例)，以及可以将经处理的信号提供给一个或多个其它组件的单元。在一些方面，接收组件902可以包括上文结合图2所描述的基站的一个或多个天线、解调器、MIMO检测器、接收处理器、控制器/处理器、存储器或者其组合。
发送组件906可以提供用于向装置908发送通信(诸如参考信号、控制信息、数据通信或者其组合)的单元。在一些方面，通信管理器904可以生成通信，以及可以将所生成的通信发送给发送组件906用于传输给装置908。在一些方面，发送组件906可以提供用于对所生成的通信执行信号处理(例如，滤波、放大、调制、数模转换、复用、交织、映射或编码以及其它示例)，以及可以将经处理的信号发送给装置908的单元。在一些方面，发送组件906可以包括上文结合图2所描述的基站的一个或多个天线、调制器、发送MIMO处理器、发送处理器、控制器/处理器、存储器或者其组合。在一些方面，发送组件906可以与接收组件902并置在收发机中。
通信管理器904可以提供用于向客户端设备发送指示一个或多个报告条件的报告配置的单元，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及用于至少部分地基于确定满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新，或者至少部分地基于确定未满足一个或多个报告条件，来未能接收去往服务器设备的与机器学习组件相关联的更新的单元。在一些方面，通信管理器904可以包括上文结合图2描述的基站的控制器/处理器、存储器、调度器、通信单元或其组合。在一些方面，通信管理器904可以包括接收组件902、发送组件906等。在一些方面，由通信管理器904提供的单元可以包括或被包括在由接收组件902、发送组件906等提供的单元内。
在一些方面，通信管理器904和/或其一个或多个组件可以包括硬件(例如，结合图13描述的电路中的一个或者多个电路)，或者可以是在所述硬件内实现的。在一些方面，通信管理器904和/或其一个或多个组件可以包括上文结合图2描述的BS 90的控制器/处理器、存储器或其组合，或者或可以是在上文结合图2描述的BS 90的控制器/处理器、存储器或其组合内实现的。
在一些方面，通信管理器904和/或其一个或多个组件可以以代码(例如，作为存储在存储器中的软件或固件)来实现。例如，通信管理器904和/或通信管理器904的组件(或组件的一部分)可以实现为存储在非暂时性计算机可读介质中、以及由控制器或处理器可执行的指令或代码，以执行通信管理器904和/或组件的功能或操作。如果以代码来实现，则通信管理器904和/或组件的功能可以由上文结合图2描述的BS 110的控制器/处理器、存储器、调度器、通信单元或其组合来执行。
图9中所示的组件的数量和布置是作为示例来提供的。在实践中，与图9中所示的那些相比，可以存在额外的组件、更少的组件、不同的组件或者不同地布置的组件。此外，图9中所示的两个或更多个组件可以在单个组件内实现，或者图9中所示的单个组件可以实现为多个分布式组件。另外地或替代地，图9中所示的一组(一个或多个)组件可以执行描述为如由图9中所示的另一组组件执行的一个或多个功能。
图10是示出采用处理系统1004的装置1002的硬件实现方式的示例1000的示意图。装置1002可以是、类似于、包括或被包括在图9中所示的装置900中。
处理系统1004可以是在总线架构(通常通过总线1006表示的)内实现的。取决于处理系统1004的具体应用和总体设计约束，总线1006可以包括任意数量的互连总线和桥接。总线1006将包括一个或多个处理器和/或硬件组件(通过处理器1008表示的)、所示的组件和计算机可读介质/存储器1010的各种电路链接在一起。总线1006还可以链接诸如定时源、外围设备、电压调节器、功率管理电路等的各种其它电路。
处理系统1004可以耦合到收发机1012。收发机1012耦合到一个或多个天线1014。收发机1012提供用于通过传输介质与各种其它装置进行通信的单元。收发机1012从一个或多个天线1014接收信号，从接收到的信号中提取信息，以及将所提取的信息提供给处理系统1004(具体地，接收组件1016)。此外，收发机1012从处理系统1004(具体地，发送组件1018)接收信息，以及至少部分地基于接收到的信息来生成要施加到一个或多个天线1014的信号。
处理器1008耦合到计算机可读介质/存储器1010。处理器1008负责通用处理，包括对存储在计算机可读介质/存储器1010上的软件的执行。软件当由处理器1008执行时使处理系统1004执行本文结合服务器描述的各种功能。计算机可读介质/存储器1010还可以用于存储在执行软件时由处理器1008操纵的数据。处理系统1004可以包括通信管理器1020和/或图10中未示出的任何数量的额外的组件。所示出的和/或未示出的组件可以是在处理器1008中运行、驻留/存储在计算机可读介质/存储器1010中的软件模块、耦合到处理器1008的一个或多个硬件模块、或其的一些组合。
在一些方面，处理系统1004可以是UE 120的组件，以及可以包括存储器282和/或TX MIMO处理器266、RX处理器258和/或控制器/处理器280中的至少一者。在一些方面，用于无线通信的装置1002提供用于向客户端设备发送指示一个或多个报告条件的报告配置的单元，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于确定满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新，或者至少部分地基于确定未满足一个或多个报告条件，来未能接收去往服务器设备的与机器学习组件相关联的更新的单元。前文提及的单元可以是被配置为执行通过前文提及的单元记载的功能的装置1002的处理系统1004的额外的组件中的一个或多个组件。如本文中其它地方所描述的，处理系统1004可以包括TX MIMO处理器266、RX处理器258和/或控制器/处理器280。在一个配置中，前文提及的单元可以是被配置为执行本文中记载的功能和/或操作的TX MIMO处理器266、RX处理器258和/或控制器/处理器280。
图10是作为示例来提供的。其它示例可以与结合图10所描述的示例不同。
以下提供本公开内容的一些方面的概述：
方面1：一种由客户端设备执行的无线通信的方法，包括：接收指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于确定满足一个或多个报告条件，来向服务器设备发送与机器学习组件相关联的更新，或者至少部分地基于未满足一个或多个报告条件，来抑制向服务器设备发送与机器学习组件相关联的更新。
方面2：根据方面1的方法，其中，机器学习组件包括至少一个神经网络。
方面3：根据方面1或方面2的方法，其中，一个或多个报告条件对应于由客户端设备收集的训练数据的量。
方面4：根据方面1-方面3中的任何方面的方法，其中，一个或多个报告条件包括数据量门限，以及该方法还包括：确定由客户端设备在收集时段期间收集的训练数据的量；以及确定由客户端设备收集的训练数据的量满足数据量门限，其中，发送更新包括至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来发送更新。
方面5：根据方面4的方法，还包括：至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限，来训练机器学习组件。
方面6：根据方面1-方面5中的任何方面的方法，其中，一个或多个报告条件对应于机器学习组件的性能。
方面7：根据方面1-方面6中的任何方面的方法，其中，一个或多个报告条件对应于机器学习组件的损失函数值。
方面8：根据方面1-方面7的方法，其中，一个或多个报告条件对应于损失函数差，其中，损失函数差包括在与机器学习组件相关联的第一损失函数值和与机器学习组件相关联的第二损失函数值之间的差。
方面9：根据方面8的方法，其中，第一损失函数值对应于机器学习组件的初始实例，并且其中，第二损失函数值对应于机器学习组件的更新的实例。
方面10：根据方面9的方法，还包括：接收初始机器学习组件信息；以及至少部分地基于初始机器学习组件信息，来确定机器学习组件的初始实例。
方面11：根据方面9或方面10的方法，还包括：确定第一损失函数值；确定第二损失函数值；确定损失函数差；以及确定损失函数差满足报告条件，其中，发送更新包括至少部分地基于确定损失函数差满足损失函数差门限来发送更新。
方面12：根据方面1-方面11中的任何方面的方法，其中，一个或多个报告条件对应于与机器学习组件相关联的用例。
方面13：根据方面12的方法，其中，用例包括以下各项中的至少一项：信道状态信息推导、定位测量推导、对数据信道的解调、对数据信道的解码、或其组合。
方面14：根据方面1-方面13中的任何方面的方法，其中，一个或多个报告条件对应于与收集的数据的集合相关联的数据类型。
方面15：根据方面14的方法，其中，数据类型包括完全相同的独立分布式数据，其中，发送更新是至少部分地基于确定收集的数据的集合包括完全相同的独立分布式数据。
方面16：根据方面1-方面15中的任何方面的方法，其中，报告配置指示要用于报告更新的至少一个通信资源。
方面17：根据方面16的方法，其中，至少一个通信资源包括时间资源或频率资源中的至少一者。
方面18：根据方面1-方面17中的任何方面的方法，还包括向服务器设备发送关于客户端设备正在抑制发送更新的指示。
方面19：根据方面18的方法，其中，向服务器设备发送更新包括发送第一类型的报告，并且其中，向服务器设备发送关于客户端设备正在抑制发送更新的指示包括发送第二类型的报告。
方面20：根据方面19的方法，其中，第二类型的报告指示报告延迟。
方面21：根据方面20的方法，其中，报告延迟包括在其期间客户端设备将抑制报告额外的更新的至少一个时间资源或频率资源。
方面22：根据方面19-方面21中的任何方面的方法，其中，第二类型的报告指示机器学习组件的当前实例。
方面23：根据方面19-方面22中的任何方面的方法，其中，第二类型的报告指示与训练数据集合相关联的损失函数值或者与验证数据集合相关联的损失函数值中的至少一者。
方面24：根据方面1-方面23中的任何方面的方法，其中，客户端设备包括用户设备，并且其中，服务器设备包括基站。
方面25：一种由服务器设备执行的无线通信的方法，包括：向客户端设备发送指示一个或多个报告条件的报告配置，其中，报告配置还指示：至少部分地基于满足一个或多个报告条件，客户端设备将报告与机器学习组件相关联的更新；以及至少部分地基于满足一个或多个报告条件，来从客户端设备接收与机器学习组件相关联的更新，或者至少部分地基于确定未满足一个或多个报告条件，来未能接收去往服务器设备的与机器学习组件相关联的更新。
方面26：根据方面25的方法，其中，机器学习组件包括至少一个神经网络。
方面27：根据方面25或方面26的方法，其中，一个或多个报告条件对应于由客户端设备收集的训练数据的量。
方面28：根据方面27的方法，其中，一个或多个报告条件包括数据量门限，其中，接收更新包括至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来接收更新。
方面29：根据方面28的方法，其中，报告配置包括对于至少部分地基于确定由客户端设备收集的训练数据的量满足数据量门限来训练机器学习组件的指示。
方面30：根据方面25-方面29中的任何方面的方法，其中，一个或多个报告条件对应于机器学习组件的性能。
方面31：根据方面25-方面30中的任何方面的方法，其中，一个或多个报告条件对应于机器学习组件的损失函数值。
方面32：根据方面25-方面31中的任何方面的方法，其中，一个或多个报告条件对应于损失函数差，其中，损失函数差包括在与机器学习组件相关联的第一损失函数值和与机器学习组件相关联的第二损失函数值之间的差。
方面33：根据方面32的方法，其中，第一损失函数值对应于机器学习组件的初始实例，并且其中，第二损失函数值对应于机器学习组件的更新的实例。
方面34：根据方面32或方面34中的任一方面的方法，其中，接收更新包括至少部分地基于损失函数差满足损失函数差门限来接收更新。
方面35：根据方面25-方面34中的任何方面的方法，其中，一个或多个报告条件对应于与机器学习组件相关联的用例。
方面36：根据方面35的方法，其中，用例包括以下各项中的至少一项：信道状态信息推导、定位测量推导、对数据信道的解调、对数据信道的解码、或其组合。
方面37：根据方面25-方面36中的任何方面的方法，其中，一个或多个报告条件对应于与收集的数据的集合相关联的数据类型。
方面38：根据方面37的方法，其中，数据类型包括完全相同的独立分布式数据，其中，接收更新是至少部分地基于确定收集的数据的集合包括完全相同的独立分布式数据。
方面39：根据方面25-方面38中的任何方面的方法，其中，报告配置指示要用于报告更新的至少一个通信资源。
方面40：根据方面39的方法，其中，至少一个通信资源包括时间资源或频率资源中的至少一者。
方面41：根据方面25-方面40中的任何方面的方法，还包括确定未从客户端设备接收到更新。
方面42：根据方面41的方法，其中，确定未从客户端设备接收到更新包括执行盲检测过程。
方面43：根据方面41或方面42的方法，其中，确定未从客户端设备接收到更新包括从客户端设备接收关于客户端设备正在抑制发送更新的指示。
方面44：根据方面43的方法，其中，从客户端设备接收更新包括接收第一类型的报告，并且其中，从客户端设备接收关于客户端设备正在抑制发送更新的指示包括接收第二类型的报告。
方面45：根据方面44的方法，其中，第二类型的报告指示报告延迟。
方面46：根据方面45的方法，其中，报告延迟包括在其期间客户端设备将抑制报告额外的更新的至少一个时间资源或频率资源。
方面47：根据方面44-方面46中的任何方面的方法，其中，第二类型的报告指示机器学习组件的当前实例。
方面48：根据方面44-方面47中的任何方面的方法，其中，第二类型的报告指示与训练数据集合相关联的损失函数值或者与验证数据集合相关联的损失函数值中的至少一者。
方面49：根据方面25-方面48中的任何方面的方法，其中，客户端设备包括用户设备，并且其中，服务器设备包括基站。
方面50：一种用于在设备处进行无线通信的装置，包括处理器；与处理器耦合的存储器；以及存储在存储器中并且可由处理器执行以使装置执行方面1-方面24中的一个或多个方面的方法的指令。
方面51：一种用于无线通信的设备，包括存储器和耦合到存储器的一个或多个处理器，一个或更多个处理器被配置为执行方面1-方面24中的一个或者多个方面的方法。
方面52：一种用于无线通信的设备，包括用于执行方面1-方面24中的一个或多个方面的方法的至少一个单元。
方面53：一种存储用于无线通信的代码的非暂时性计算机可读介质，代码包括可由处理器执行以执行方面1-方面24中的一个或多个方面的方法的指令。
方面54：一种存储用于无线通信的指令集的非暂时性计算机可读介质，指令集包括一个或多个指令，指令当由设备的一个或更多个处理器执行时使设备执行方面1-方面24中的一个或多个方面的方法。
方面55：一种用于在设备处进行无线通信的装置，包括处理器；与处理器耦合的存储器；以及存储在存储器中并且可由处理器执行以使装置执行方面25-方面49中的一个或多个方面的方法的指令。
方面56：一种用于无线通信的设备，包括存储器和耦合到存储器的一个或多个处理器，一个或多个方面处理器被配置为执行方面25-方面49中的一个或多个方面的方法。
方面57：一种用于无线通信的设备，包括用于执行方面25-方面49中的一个或多个方面的方法的至少一个单元。
方面58：一种存储用于无线通信的代码的非暂时性计算机可读介质，代码包括可由处理器执行以执行方面25-方面49中的一个或多个方面的方法的指令。
方面59：一种存储用于无线通信的指令集的非暂时性计算机可读介质，指令集包括一个或多个指令，指令当由设备的一个或更多个处理器执行时使设备执行方面25-方面49中的一个或多个方面的方法。
上述公开内容提供说明和描述，但是不旨在是穷举的，也不旨在将各方面限制为所公开的精确形式。可以根据以上公开内容进行修改和变化，或者可以从对各方面的实践中获得修改和变化。
如本文中使用的，术语“组件”旨在广义地解释为硬件、固件和/或硬件和软件的组合。如本文中使用的，处理器是以硬件、固件、和/或硬件和软件的组合来实现的。将显而易见的是，本文中描述的系统和/或方法可以是以不同形式的硬件、固件和/或硬件和软件的组合来实现的。用于实现这些系统和/或方法的实际专用的控制硬件或软件代码不限于这些方面。因此，系统和/或方法的操作和行为是在本文中在未引用具体软件代码的情况下描述的—应当理解的是，软件和硬件可以被设计为实现至少部分地基于本文中的描述的系统和/或方法。
如本文中使用的，取决于上下文，满足门限可以指的是值大于门限、大于或等于门限、小于门限、小于或等于门限、等于门限、不等于门限等。
尽管特征的特定组合是在权利要求书中记载的和/或在说明书中公开的，但是这些组合不是旨在限制各个方面的公开内容。事实上，这些特征中的许多特征可以是以未具体地在权利要求书中记载和/或在说明书公开的方式来组合的。虽然下文所列出的每个从属权利要求可以直接地取决于仅一个权利要求，但是各个方面的公开内容包括与权利要求集合中的每个其它权利要求结合的每个从属权利要求。如本文中使用的，引用项的列表“中的至少一个”的短语指的是那些项的任意组合(包括单个成员)。举例而言，“a、b或c中的至少一个”旨在覆盖a、b、c、a-b、a-c、b-c和a-b-c、以及具有倍数个相同元素的任意组合(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，或者a、b和c的任何其它排序)。
在本文中所使用的任何元素、动作或指令都不应当解释为是关键的或必不可少的，除非明确地描述为如此。此外，如本文中使用的，冠词“一(a)”和“一个(an)”旨在包括一个或多个项，以及可以与“一个或多个”互换地使用。进一步地，如本文中使用的，冠词“该(the)”旨在包括结合冠词“该”引用的一个或多个项，以及可以与“一个或多个”互换地使用。此外，如本文中使用的，术语“集合”和“组”旨在包括一个或多个项(例如，相关项、无关项、或者相关项和无关项的组合)，以及可以与“一个或多个”互换地使用。在意指仅一个项的情况下，使用短语“仅一个”或类似用语。此外，如本文中使用的，术语“含有”、“具有”、“包含”等旨在是开放式术语。进一步地，短语“基于”旨在意指“至少部分地基于”，除非另外明确地声明。此外，如本文中使用的，术语“或”旨在是在一系列中使用时是包含性的，以及可以与“和/或”互换地使用，除非另外明确地声明(例如，如果与“任一”或“……的仅一个”结合使用的话)。

Claims (30)

1.一种用于无线通信的客户端设备，包括：
存储器；以及
一个或多个处理器，其耦合到所述存储器，其被配置为：
从服务器设备接收指示一个或多个报告条件的报告配置，其中，所述报告配置还指示：至少部分地基于满足所述一个或多个报告条件，所述客户端设备将报告与机器学习组件相关联的更新；以及
至少部分地基于是否满足所述一个或多个报告条件，来向所述服务器设备发送与所述机器学习组件相关联的所述更新。
2.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件对应于由所述客户端设备收集的训练数据的量。
3.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件包括数据量门限，并且其中，所述一个或多个处理器还被配置为：
确定由所述客户端设备在收集时段期间收集的训练数据的量；以及
确定由所述客户端设备收集的所述训练数据的量满足所述数据量门限，
其中，用于发送所述更新的所述一个或多个处理器被配置为至少部分地基于确定由所述客户端设备收集的所述训练数据的量满足所述数据量门限来发送所述更新。
4.根据权利要求3所述的客户端设备，其中，所述一个或多个处理器还被配置为：
至少部分地基于确定由所述客户端设备收集的所述训练数据的量满足所述数据量门限，来训练所述机器学习组件。
5.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件对应于所述机器学习组件的性能。
6.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件对应于所述机器学习组件的损失函数值。
7.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件对应于损失函数差，其中，所述损失函数差包括在与所述机器学习组件相关联的第一损失函数值和与所述机器学习组件相关联的第二损失函数值之间的差。
8.根据权利要求7所述的客户端设备，其中，所述第一损失函数值对应于所述机器学习组件的初始实例，并且其中，所述第二损失函数值对应于所述机器学习组件的更新的实例。
9.根据权利要求8所述的客户端设备，其中，所述一个或多个处理器还被配置为：
接收初始机器学习组件信息；以及
至少部分地基于所述初始机器学习组件信息，来确定所述机器学习组件的所述初始实例。
10.根据权利要求9所述的客户端设备，其中，所述一个或多个处理器还被配置为：
确定所述第一损失函数值；
确定所述第二损失函数值；
确定所述损失函数差；以及
确定所述损失函数差满足所述报告条件，
其中，用于发送所述更新的所述一个或多个处理器被配置为至少部分地基于确定所述损失函数差满足损失函数差门限来发送所述更新。
11.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件对应于与所述机器学习组件相关联的用例。
12.根据权利要求11所述的客户端设备，其中，所述用例包括以下各项中的至少一项：
信道状态信息推导，
定位测量推导，
对数据信道的解调，
对数据信道的解码，或者
其组合。
13.根据权利要求1所述的客户端设备，其中，所述一个或多个报告条件对应于与收集的数据的集合相关联的数据类型。
14.根据权利要求13所述的客户端设备，其中，所述数据类型包括完全相同的独立分布式数据，其中，发送所述更新是至少部分地基于确定所述收集的数据的集合包括完全相同的独立分布式数据。
15.根据权利要求1所述的客户端设备，其中，所述报告配置指示要用于报告所述更新的至少一个通信资源。
16.根据权利要求15所述的客户端设备，其中，所述至少一个通信资源包括时间资源或频率资源中的至少一者。
17.根据权利要求1所述的客户端设备，其中，所述一个或多个处理器还被配置为向所述服务器设备发送关于所述客户端设备正在抑制发送所述更新的指示。
18.根据权利要求17所述的客户端设备，其中，用于向所述服务器设备发送所述更新的所述一个或多个处理器被配置为发送第一类型的报告，并且其中，用于向所述服务器设备发送关于所述客户端设备正在抑制发送所述更新的所述指示的所述一个或多个处理器被配置为发送第二类型的报告。
19.根据权利要求18所述的客户端设备，其中，所述第二类型的报告指示报告延迟。
20.根据权利要求19所述的客户端设备，其中，所述报告延迟包括在其期间所述客户端设备将抑制报告额外的更新的至少一个时间资源或频率资源。
21.根据权利要求18所述的客户端设备，其中，所述第二类型的报告指示所述机器学习组件的当前实例。
22.根据权利要求18所述的客户端设备，其中，所述第二类型的报告指示与训练数据集合相关联的损失函数值或者与验证数据集合相关联的损失函数值中的至少一者。
23.根据权利要求1所述的客户端设备，其中，所述客户端设备包括用户设备，并且其中，所述服务器设备包括基站。
24.一种用于无线通信的服务器设备，包括：
存储器；以及
一个或多个处理器，其耦合到所述存储器，其被配置为：
向客户端设备发送指示一个或多个报告条件的报告配置，其中，所述报告配置还指示：至少部分地基于满足所述一个或多个报告条件，所述客户端设备将报告与机器学习组件相关联的更新；以及
至少部分地基于是否满足所述一个或多个报告条件，来从所述客户端设备接收与所述机器学习组件相关联的所述更新。
25.根据权利要求24所述的服务器设备，其中，所述一个或多个报告条件对应于以下各项中的至少一项：
由所述客户端设备收集的训练数据的量，
所述机器学习组件的性能，
所述机器学习组件的损失函数值，
与所述机器学习组件相关联的用例，或者
与收集的数据的集合相关联的数据类型。
26.根据权利要求24所述的服务器设备，其中，所述报告配置指示要用于报告所述更新的至少一个通信资源。
27.一种由客户端设备执行的无线通信的方法，包括：
从服务器设备接收指示一个或多个报告条件的报告配置，其中，所述报告配置还指示：至少部分地基于满足所述一个或多个报告条件，所述客户端设备将报告与机器学习组件相关联的更新；以及
至少部分地基于是否满足所述一个或多个报告条件，来向所述服务器设备发送与所述机器学习组件相关联的所述更新。
28.根据权利要求27所述的方法，其中，所述一个或多个报告条件包括数据量门限，所述方法还包括：
确定由所述客户端设备在收集时段期间收集的训练数据的量；以及
确定由所述客户端设备收集的所述训练数据的量满足所述数据量门限，
其中，发送所述更新包括至少部分地基于确定由所述客户端设备收集的所述训练数据的量满足所述数据量门限来发送所述更新。
29.根据权利要求27所述的方法，其中，所述一个或多个报告条件对应于损失函数差，其中，所述损失函数差包括在与所述机器学习组件相关联的第一损失函数值和与所述机器学习组件相关联的第二损失函数值之间的差。
30.一种由服务器设备执行的无线通信的方法，包括：
向客户端设备发送指示一个或多个报告条件的报告配置，其中，所述报告配置还指示：至少部分地基于满足所述一个或多个报告条件，所述客户端设备将报告与机器学习组件相关联的更新；以及
至少部分地基于是否满足所述一个或多个报告条件，来从所述客户端设备接收与所述机器学习组件相关联的所述更新。
CN202180063206.7A 2020-09-25 2021-09-24 联合学习中的机器学习组件更新报告 Pending CN116325862A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063198048P 2020-09-25 2020-09-25
US63/198,048 2020-09-25
US17/448,653 2021-09-23
US17/448,653 US20220101204A1 (en) 2020-09-25 2021-09-23 Machine learning component update reporting in federated learning
PCT/US2021/071581 WO2022067329A1 (en) 2020-09-25 2021-09-24 Machine learning component update reporting in federated learning

Publications (1)

Publication Number Publication Date
CN116325862A true CN116325862A (zh) 2023-06-23

Family

ID=80822754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180063206.7A Pending CN116325862A (zh) 2020-09-25 2021-09-24 联合学习中的机器学习组件更新报告

Country Status (4)

Country Link
US (1) US20220101204A1 (zh)
EP (1) EP4218283A1 (zh)
CN (1) CN116325862A (zh)
WO (1) WO2022067329A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11909482B2 (en) * 2020-08-18 2024-02-20 Qualcomm Incorporated Federated learning for client-specific neural network parameter generation for wireless communication
US11832314B2 (en) * 2021-12-14 2023-11-28 Korea University Research And Business Foundation Deep reinforcement learning-based random access method for low earth orbit satellite network and terminal for the operation
WO2023218650A1 (ja) * 2022-05-13 2023-11-16 株式会社Ｎｔｔドコモ 端末、無線通信方法及び基地局
EP4319081A1 (en) 2022-08-03 2024-02-07 Continental Automotive Technologies GmbH Base station, user equipment, network and method for machine learning related communication
WO2024073192A1 (en) * 2022-09-28 2024-04-04 Qualcomm Incorporated Virtual instance for reference signal for positioning
WO2024097129A1 (en) * 2022-11-03 2024-05-10 Apple Inc. Enhancements for distributed machine learning models in wireless communication systems

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089587A1 (en) * 2016-09-26 2018-03-29 Google Inc. Systems and Methods for Communication Efficient Distributed Mean Estimation
WO2019132972A2 (en) * 2017-12-29 2019-07-04 Google Llc Smart context subsampling on-device system

Also Published As

Publication number Publication date
US20220101204A1 (en) 2022-03-31
WO2022067329A1 (en) 2022-03-31
EP4218283A1 (en) 2023-08-02

Similar Documents

Publication Publication Date Title
US20220182802A1 (en) Wireless signaling in federated learning for machine learning components
US20230351157A1 (en) Federated learning of autoencoder pairs for wireless communication
US20220101204A1 (en) Machine learning component update reporting in federated learning
US20230308920A1 (en) Autoencoder selection feedback for autoencoders in wireless communication
US11909482B2 (en) Federated learning for client-specific neural network parameter generation for wireless communication
US20230261909A1 (en) Federated learning for classifiers and autoencoders for wireless communication
US20230275787A1 (en) Capability and configuration of a device for providing channel state feedback
US11937186B2 (en) Power control loops for uplink transmission for over-the-air update aggregation
US11800534B2 (en) Recurring communication schemes for federated learning
US20240022288A1 (en) Observed environmental vector feedback for wireless communication
CN117480805A (zh) 用以实现机器学习和非机器学习相关任务之间的联邦学习和切换的用户装备信令和能力
US20220124518A1 (en) Update resolution signaling in federated learning
US11956785B2 (en) User equipment participation indications associated with federated learning
US11871250B2 (en) Machine learning component management in federated learning
CN116349297A (zh) 用于无线电资源管理的测量时间
EP4200985A1 (en) Encoding a data set using a neural network for uplink communication
US20230276261A1 (en) Customization feature vector feedback for machine learning components in wireless communication

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