CN117652168A - 用于降低能力的用户设备的机器学习模型配置 - Google Patents
用于降低能力的用户设备的机器学习模型配置 Download PDFInfo
- Publication number
- CN117652168A CN117652168A CN202180100629.1A CN202180100629A CN117652168A CN 117652168 A CN117652168 A CN 117652168A CN 202180100629 A CN202180100629 A CN 202180100629A CN 117652168 A CN117652168 A CN 117652168A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning model
- configuration
- type
- user equipment
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 409
- 238000000034 method Methods 0.000 claims abstract description 188
- 238000012545 processing Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 35
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 78
- 210000004027 cell Anatomy 0.000 description 52
- 230000006870 function Effects 0.000 description 32
- 238000012549 training Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000011664 signaling Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 239000000969 carrier Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 1
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开内容的某些方面提供了用于在用户设备(包括降低能力的用户设备)上配置机器学习模型的技术。
Description
技术领域
本公开内容的各方面涉及无线通信,并且更具体地,涉及用于降低能力的用户设备的机器学习模型配置的技术。
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、消息传递、广播或其它类似类型的服务。这些无线通信系统可以采用能够通过与多个用户共享可用系统资源(例如,带宽、发送功率或其它资源)来支持与这些用户的通信的多址技术。仅举几个示例,多址技术可以依赖于码分、时分、频分、正交频分、单载波频分或时分同步码分中的任何一种。已经在各种电信标准中采用这些和其它多址技术,以提供使得不同无线设备能够在城市、国家、地区、以及甚至全球层面上进行通信的公共协议。
尽管无线通信系统已经在许多年内取得了巨大的技术进步,但是挑战仍然存在。例如,复杂和动态的环境仍然可能衰减或阻塞在无线发射机与无线接收机之间的信号,破坏各种已建立的无线信道测量和报告机制,这些无线信道测量和报告机制用于管理和优化对有限的无线信道资源的使用。因此,存在针对无线通信系统的进一步改进以克服各种挑战的需求。
发明内容
在一个方面中,一种方法包括:在用户设备处从网络接收控制信息,其中,所述控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,所述第一类型的机器学习模型被配置用于第一类型的用户设备,并且所述第二类型的机器学习模型被配置用于第二类型的用户设备;基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备来确定应用所述第一配置或所述第二配置中的至少一项;以及基于所述确定,根据所述第一配置或所述第二配置中的至少一项从所述网络接收第一机器学习模型。
在另一方面中,一种方法包括:在用户设备处从网络接收控制信息,其中,所述控制信息指示用于接收机器学习模型的类型的配置,所述机器学习模型的类型被配置用于用户设备的类型,并且所述控制信息包括经由与所述用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC;以及根据所述配置从所述网络接收机器学习模型,其中,所述用户设备是所述用户设备的类型。
在另一方面中,一种方法包括:在用户设备处从网络接收用于第一类型的机器学习模型的配置;在所述用户设备处从所述网络接收用于第二类型的机器学习模型的配置;基于用于所述第一类型的机器学习模型的配置或用于所述第二类型的机器学习模型的配置中的至少一项并且基于所述用户设备的类型,在所述用户设备上配置机器学习模型;以及利用所述机器学习模型执行操作。
在另一方面中,一种方法包括:从网络向用户设备发送控制信息,其中,所述控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,所述第一类型的机器学习模型被配置用于第一类型的用户设备,并且所述第二类型的机器学习模型被配置用于第二类型的用户设备;根据所述第一配置来发送第一类型的第一机器学习模型;以及根据所述第二配置来发送第二类型的第二机器学习模型。
在另一方面中,一种方法包括:从网络向用户设备发送控制信息,其中,所述控制信息指示用于接收机器学习模型的类型的配置,所述机器学习模型的类型被配置用于用户设备的类型,并且所述控制信息包括经由与所述用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC;以及根据所述配置向所述用户设备发送机器学习模型,其中,所述用户设备是所述用户设备的类型。
在另一方面中,一种方法包括:从网络向用户设备发送用于第一类型的机器学习模型的配置;以及从所述网络向所述用户设备发送用于第二类型的机器学习模型的配置,其中,所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作。
其它方面提供了一种可操作为、被配置为或以其它方式适于执行上述方法以及本文在其它地方描述的方法的装置;一种包括指令的非暂时性计算机可读介质,所述指令在由装置的一个或多个处理器执行时使得所述装置执行上述方法以及本文在其它地方描述的方法;一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行上述方法以及本文在其它地方描述的方法的代码;以及一种包括用于执行上述方法以及本文在其它地方描述的方法的单元的装置。举例而言,装置可以包括处理系统、具有处理系统的设备、或者在一个或多个网络上协作的处理系统。
出于说明的目的,以下描述和附图阐述了某些特征。
附图说明
附图描绘了本文所描述的各个方面的某些特征,并且不应当被视为限制本公开内容的范围。
图1是概念性地示出示例无线通信网络的框图。
图2是概念性地示出示例基站和用户设备的各方面的框图。
图3A-3D描绘了用于无线通信网络的数据结构的各种示例方面。
图4A描绘了与在不同类型的设备上配置机器学习模型相关的示例呼叫流程图400。
图4B描绘了与在不同类型的设备上配置机器学习模型相关的另一示例呼叫流程图450。
图5描绘了与在不同类型的设备上配置机器学习模型相关的另一示例呼叫流程图500。
图6至图11展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的示例方法。
图12至图13示出了根据本公开内容的各方面的通信设备的示例。
具体实施方式
本公开内容的各方面提供了用于降低能力的用户设备的机器学习模型配置的装置、方法、处理系统和计算机可读介质。
随着网络变得越来越有能力并且数据服务更多样化,需要进一步基于用户设备能力来分段和控制用户设备配置。
例如,与“常规能力的”(或“regcap”)用户设备相比,被称为“降低能力的”(或“redcap”)用户设备的用户设备的类型(或类别)可以具有更少的天线、更窄的带宽和更长的处理时间线。用于降低能力的用户设备的一些示例用例可以包括计量设备、资产跟踪设备、个人物联网(IoT)设备、传感器设备等。
为了使网络跟踪接入网络的用户设备的能力,用户设备能力可以与网络订户的简档数据相关联或为其一部分,该简档数据可以包括定义订户可用的网络接入和服务的订阅数据。在一些情况下,可以在诸如由3GPP维护的网络互操作性标准中定义用户设备能力类别,包括用于降低能力的用户设备的特定类别。此类类别可以基于各种因素,诸如预期用例(例如,可穿戴物、相机、传感器、物联网(IoT)等),以及基于用户设备的无线电能力(例如,高性能、中间层、低成本等)以及这些和其它特性的组合。在一些情况下,网络运营商可以采用由标准定义的类别的全部类别或其一些子集,或者基于特定于其网络环境和用户的操作需求来定义其自己的用户设备类别。值得注意的是,这些仅仅是几个示例,并且许多其它示例是可能的。
用于无线通信的机器学习变得越来越普遍,并且被认为是用于许多无线通信任务(诸如信道状态反馈(CSF)、定位、信道估计等)的强大技术。与常规方法相比,机器学习(例如,通过深度神经网络的功率)可以以增加的计算复杂度为代价提供巨大的性能改善。一般而言,不同的机器学习模型可以被配置用于不同的应用以及相同的应用。关于后一种情况,机器学习模型可以针对不同的场景被优化和/或具有不同的复杂度水平。举例而言,一个基线模型可以被配置以支持室内定位及室外定位两者,并且更特定的模型可以被配置以支持室内定位或室外定位,但不支持两者。
当网络尝试配置具有不同能力的用户设备以使用机器学习技术时,可能出现各种问题。例如,随着机器学习和机器学习模型的使用成为用户设备功能中的更主要的特征,考虑什么类型的用户设备(例如,常规能力与降低能力的)可以实现什么机器学习任务和模型变得重要。尽管常规能力的用户设备可以能够执行本地训练,并且参与联邦学习,但是由于处理功率、存储器和/或电池功率考虑因素(举几个例子),降低能力的用户设备可能无法执行这样的任务。因此,网络不应当使有限物理资源(例如,无线资源)专用于配置具有机器学习模型和机器学习任务(例如,训练和推理)的用户设备,使得这样的用户设备不能实际利用或执行。特别地,因为机器学习模型可能具有巨大数量的参数,所以在用户设备上配置模型不必要地导致巨大的网络信令开销。
因此,本文描述的各方面提供了用于针对不同能力(例如,常规能力和降低的能力)的用户设备配置机器学习模型而不浪费网络资源的方法。
在各个方面中,网络可以发送控制信息,该控制信息用于指示针对不同用户设备能力(例如,常规能力的用户设备、降低能力的用户设备)包括不同的机器学习模型配置的不同消息。一旦特定能力水平的用户设备接收到控制信息,其可以仅接收针对其自己的用户设备类型和能力水平的模型配置消息,并且跳过对不适用于其自己的用户设备类型和能力水平的模型配置消息的接收。
在各个方面中,相对较高能力水平的用户设备(例如,常规能力的用户设备)还可以接收和利用被配置用于相对较低能力的用户设备(例如,降低能力的用户设备)的模型配置。然后,这样的用户设备可以具有多个模型配置,其基于其它考虑需要可以利用的不同水平的复杂度。例如,当在某些条件下能够放宽其它性能要求时(诸如针对在低移动性中进行定位、针对低流量占空比的信道和信道状态反馈准确度、高信噪比条件等),这样的用户设备可以被配置为在多种模型配置之间切换以用于更好的功耗性能。
在各个方面中,网络可以在仅可由特定类型的用户设备检测到的消息中发送机器学习模型配置。例如,网络可以以这样的方式发送用于更复杂的机器学习模型的配置消息:仅常规能力的用户设备可以接收配置消息。类似地,网络可以以这样的方式发送用于不太复杂的机器学习模型的配置消息:仅降低能力的用户设备能够接收配置消息。例如,常规能力的用户设备和降低能力的用户设备可以被配置有不同的组公共无线电网络临时标识符(RNTI)以接收经调度的模型配置消息。
在各个方面中,网络可以针对同一消息中的多种类型的用户设备(例如,用于常规能力的用户设备和降低能力的用户设备)配置机器学习模型。所配置的模型可以由常规能力的用户设备直接使用,而附加配置可以由网络提供(例如,在原始消息内或在单独的消息中)以用于降低能力的用户设备。附加配置可以指示例如在模型训练期间更新和/或在推理期间由机器学习模型使用的机器学习模型的一部分或部分(例如,神经网络模型的早期、中期和/或晚期层)的参数。有利地,附加配置可以降低用于模型训练和推理的计算复杂度,以用于降低能力的用户设备,而不需要维护多个单独的模型。
在一些方面中,附加配置可以指示机器学习模型的一部分将被其它算法(例如,较低复杂度的常规算法)替换。这种类型的附加配置同样可以降低模型训练和推理两者的计算复杂度。例如,神经网络的早期层可以用于生成随后用作常规算法(诸如支持向量机、k最近邻和其它算法)的输入的特征。通常,用于多个用户设备类型的单个基本模型的这种类型特定的配置可以显著地减少在空中模型配置期间网络的信令开销。
在各个方面中,模型配置可以是小区特定的、用户设备组特定的、用户设备模型特定的、或者甚至是各个用户设备特定的。其它分组也是可能的。
注意,虽然为了简单起见,在本文的各种示例中描述了两个类别的用户设备(常规能力的用户设备和降低能力的用户设备),但是进一步的分类、描绘等是可能的。例如,可以存在定义的并且针对其可以由网络配置的特定机器学习模型确认的能力组的范围。
对于无线通信网络的介绍
图1描绘了在其中可以实现本文所描述的各方面的无线通信系统100的示例。
通常,无线通信网络100包括基站(BS)102、用户设备(UE)104、一个或多个核心网络(诸如演进分组核心(EPC)160和5G核心(5GC)网络190),它们进行互操作以提供无线通信服务。
基站102可以为用户设备104提供到EPC 160和/或5GC 190的接入点,并且可以执行以下功能中的一个或多个功能:用户数据的传输、无线电信道加密和解密、完整性保护、报头压缩、移动性控制功能(例如,切换、双连接)、小区间干扰协调、连接建立和释放、负载平衡、针对非接入层(NAS)消息的分发、NAS节点选择、同步、无线电接入网络(RAN)共享、多媒体广播多播服务(MBMS)、订户和设备跟踪、RAN信息管理(RIM)、寻呼、定位、警告消息的递送、以及其它功能。在各种上下文中,基站可以包括和/或被称为gNB、NodeB、eNB、ng-eNB(例如,已经被增强以提供到EPC 160和5GC 190两者的连接的eNB)、接入点、基站收发机、无线电基站、无线电收发机、或收发机功能单元、或发送接收点。
基站102经由通信链路120与UE 104无线通信。基站102中的每一者可以为相应的地理覆盖区域110提供通信覆盖,在一些情况下,地理覆盖区域110可能重叠。例如,小型小区102'(例如,低功率基站)可以具有与一个或多个宏小区(例如,高功率基站)的覆盖区域110重叠的覆盖区域110'。
基站102和UE 104之间的通信链路120可以包括从用户设备104到基站102的上行链路(UL)(也称为反向链路)传输和/或从基站102到用户设备104的下行链路(DL)(也称为前向链路)传输。通信链路120可以使用多输入多输出(MIMO)天线技术,其在各个方面中包括空间复用、波束成形和/或发射分集。
UE 104的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型计算机、个人数字助理(PDA)、卫星无线电单元、全球定位系统、多媒体设备、视频设备、数字音频播放器、相机、游戏机、平板电脑、智能设备、可穿戴设备、车辆、电表、气泵、大型或小型厨房电器、医疗保健设备、植入物、传感器/致动器、显示器或其它类似设备。UE 104中的一些UE104可以是物联网(IoT)设备(例如,停车计时器、气泵、烤面包机、车辆、心脏监护器或其它IoT设备)、常开(AON)设备或边缘处理设备。更一般地,UE 104还可以被称为站、移动站、订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手持机、用户代理、移动客户端或客户端。
与较低频率通信相比,使用较高频带的通信可能具有较高的路径损耗和较短的距离。因此,某些基站(例如,图1中的180)可以利用与UE 104的波束成形182,以改善路径损耗和距离。例如,基站180和UE 104各自可以包括多个天线(比如天线元件、天线面板和/或天线阵列)来促进波束成形。
在一些情况下,基站180可以在一个或多个发送方向182’上向UE 104发送波束成形信号。UE 104可以在一个或多个接收方向182”上从基站180接收波束成形信号。UE 104还可以在一个或多个发送方向182”上向基站180发送波束成形信号。基站180可以在一个或多个接收方向182’上从UE 104接收波束成形信号。然后,基站180和UE 104可以执行波束训练,以确定针对基站180和UE 104中的每一者的最佳的接收和发送方向。值得注意地,针对基站180的发送和接收方向可以是相同的,或者可以不是相同的。类似地,针对UE 104的发送和接收方向可以是相同的,或者可以不是相同的。
无线通信网络100包括机器学习模型配置199,其可以被配置为在连接到网络的用户设备上配置机器学习模型(例如,通过由网络100发送的各种信令,如本文所述)。无线网络100还包括机器学习模型配置198,其可以被用于配置用户设备上的机器学习模型(例如,基于从网络100接收的各种信令,如本文所述)。
图2描绘了示例基站(BS)102和用户设备(UE)104的各方面。
通常,BS102包括:各种处理器(例如,220、230、238和240)、天线234a-t(统称为234)、包括调制器和解调器的收发机232a-t(统称为232)以及其它方面,其实现数据的无线发送(例如,数据源212)和数据的无线接收(例如,数据宿239)。例如,基站102可以在自身和用户设备104之间发送和接收数据。
基站102包括控制器/处理器240,其可以被配置为实现与无线通信相关的各种功能。在所描绘的示例中,控制器/处理器240包括机器学习模型配置241,其可以表示图1的机器学习模型配置199。显而易见地,虽然被描绘为控制器/处理器240的一个方面,但是在其它实现方式中,机器学习模型配置241可以是另外地或替代地在基站102的各个其它方面中实现的。
通常,用户设备104包括各种处理器(例如,258、264、266和280)、天线252a-r(统称为252)、包括调制器和解调器的收发机254a-r(统称为254)以及其它方面,其实现数据(例如,数据源262)的无线发送和数据(例如,数据宿260)的无线接收。
用户设备104包括控制器/处理器280,其可以被配置为实现与无线通信相关的各种功能。在所描绘的示例中,控制器/处理器280包括机器学习模型配置281,其可以表示图1的机器学习模型配置198。显而易见地,虽然被描绘为控制器/处理器280的一个方面,但是在其它实现方式中,机器学习模型配置281可以是另外地或替代地在用户设备104的各个其它方面中实现的。
图3A-3D描绘了用于无线通信网络(诸如图1的无线通信网络100)的数据结构的各方面。具体而言,图3A是示出5G(例如,5G NR)帧结构内的第一子帧的示例的示意图300,图3B是示出5G子帧内的DL信道的示例的示意图330,图3C是示出5G帧结构内的第二子帧的示例的示意图350,以及图3D是示出5G子帧内的UL信道的示例的示意图380。
在本公开内容中稍后提供关于图1、图2和图3A-3D的进一步讨论。
与用于降低能力的用户设备的机器学习模型配置相关的各方面
图4A描绘了与在不同类型的设备上配置机器学习模型相关的示例呼叫流程图400。
具体地,在步骤406处,基站402(其可以是诸如图1和图2中的基站102的网络实体的示例)向常规能力的用户设备404A(其可以是图1和图2中的用户设备104的示例)发送包括用于接收模型配置数据的控制信息的消息。在该示例中,控制信息包括关于具有用户设备类型特定(例如,常规能力和降低能力)的机器学习模型配置的经调度的消息(MSG 1和MSG 2)的信息。进一步地,在该示例中,在步骤406处发送的消息可以由用户设备404A和404B两者接收,尽管这些用户设备具有不同类型(一个常规能力404A和一个降低能力404B)。
在步骤406发送的消息可以在不同类型的网络通信中发送,其包括下行链路控制信息(DCI)、无线电资源控制(RRC)消息传送、介质访问控制(MAC)控制元素(CE)、系统信息块(SIB)等。由于这两种类型的用户设备应当接收该控制信息,因此通常将不通过单播或UE特定的信令来承载。
例如,控制信息可以包括物理下行链路控制信道(PDCCH)中的DCI。在一些情况下,DCI可以是由被配置用于两种类型的用户设备(在该示例中包括常规能力的用户设备404A和降低能力的用户设备404B)的小区特定的或UE组公共的RNTI加扰的CRC。
作为进一步的示例,控制信息可以包括MAC CE命令、RRC消息或SIB,所有这些都可以由PDCCH中的DCI调度。如上所述,该DCI可以是由被配置为两种类型的用户设备的小区特定的或UE组公共的RNTI加扰的CRC。
在一些方面中,控制信息可以包括位图、码点或类似的,以指示在机器学习模型配置消息的经配置的时机(例如,下一个经配置的时机)中是否提供了针对用户设备类型(例如,常规能力或降低的能力)的机器学习模型配置。
继续到步骤408,基站402发送MSG 1,MSG 1包括用于常规能力的用户设备的机器学习模型配置(例如,包括权重、偏差、模型架构、超参数等的参数集合)。该消息可以例如在物理下行链路共享信道(PDSCH)上发送。
在步骤410处,常规能力的用户设备404A接收MSG 1并根据MSG 1中的信息来配置机器学习模型。在一些情况下,机器学习模型配置可以另外包括关于如何以及何时使用机器学习模型、要向机器学习模型提供什么种类的输入数据、机器学习模型生成什么种类的输出数据、如何使用该输出数据用于另一任务(例如,信道估计)等的信息。此处,常规能力的用户设备404A基于在步骤406处从基站402接收的控制信息知道何时变为活动的并且接收MSG 1。
继续到步骤412,基站402发送MSG 2,MSG 2包括用于降低能力的用户设备的另一机器学习模型配置。
在步骤414处,降低能力的用户设备404B接收MSG 2并根据MSG 2中的信息来配置机器学习模型。此处再次,降低能力的用户设备404A基于在步骤406处从基站402接收的控制信息知道何时变为活动的并且接收MSG 2。
可选地,在步骤416处,常规能力的用户设备402A接收MSG 2并根据MSG 2中的信息来配置机器学习模型。如上所述,在一些情况下,常规能力的用户设备404A可以被配置为根据不同的条件使用两种模型。例如,常规能力的用户设备404A可以考虑一个或多个操作条件(包括:用户设备的电池状态;用户设备的功率状态;用户设备的无线电资源控制(RRC)状态;用户设备的活动带宽部分;用户设备和网络之间的信道条件;或用户设备的移动性状态)以决定何时部署较高复杂度或较低复杂度的模型。注意,这些仅仅是几个示例,并且通常由常规能力的用户设备404A监视或以其它方式已知的任何条件可以在用于决定由网络配置的多个机器学习模型中的哪一个在给定时间处和针对给定任务使用的逻辑中使用。
图4B描绘了与在不同类型的设备上配置机器学习模型相关的另一示例呼叫流程图450。
具体地,在步骤456处,基站452(其可以是诸如图1和图2中的基站102的网络实体的示例)向常规能力的用户设备454A(其可以是图1和图2中的用户设备104的示例)发送包括用于接收模型配置数据的控制信息的消息。在该示例中,控制信息包括关于经调度的消息MSG 1的信息,其本身包含用户设备类型特定(例如,常规能力的用户设备)的机器学习模型配置数据。与图4A中的示例不同,此处在步骤406处发送的消息仅可由常规能力的用户设备(包括用户设备404A)接收。
例如,步骤456可以包括发送由被配置用于期望接收机器学习模型配置的用户设备的类型的用户设备组公共RNTI加扰的CRC的DCI,在这种情况下,该机器学习模型配置是常规能力的用户设备454A。因此,在该示例中,常规能力的用户设备454A和降低能力的用户设备454B可以被配置有不同的组共用RNTI以接收相关联的调度DCI和经调度的模型配置消息。
如上所述,可以在不同类型的网络通信中发送在步骤456处发送的消息,包括下行链路控制信息(DCI)、无线电资源控制(RRC)消息、介质访问控制(MAC)控制元素(CE)命令、系统信息块(SIB)等。例如,控制信息可以包括物理下行链路控制信道(PDCCH)中的DCI。作为进一步的示例,控制信息可以包括MAC CE命令、RRC消息或SIB,所有这些都可以由PDCCH中的DCI调度。
继续到步骤457,基站452向降低能力的用户设备454B发送包括用于接收模型配置数据的控制信息的消息。在该示例中,控制信息包括关于经调度的消息MSG 2的信息,其本身包含用户设备类型特定(例如,降低能力的用户设备)的机器学习模型配置数据。此处,MSG 2被配置为仅可由降低能力的用户设备(包括用户设备454B)接收。
继续到步骤458,基站452发送MSG 1,MSG 1包括用于常规能力的用户设备的机器学习模型配置(例如,包括权重、偏差、模型架构、超参数等的参数集合)。
在步骤460处,常规能力的用户设备454A接收MSG 1并根据MSG 1中的信息来配置机器学习模型。此处,常规能力的用户设备454A基于在步骤456处从基站452接收的控制信息知道何时变为活动的并且接收MSG 1。
继续到步骤462,基站452发送MSG 2,MSG 2包括用于降低能力的用户设备的另一机器学习模型配置。
在步骤464处,降低能力的用户设备454B接收MSG 2并根据MSG 2中的信息来配置机器学习模型。此处再次,降低能力的用户设备454A基于在步骤457处从基站452接收的控制信息知道何时变为活动的并且接收MSG 2。
图5描绘了与在不同类型的设备上配置机器学习模型相关的另一示例呼叫流程图500。
在一些情况下,可能期望网络同时在不同类型的用户设备处配置机器学习模型。通常,所配置的模型可以由常规能力的用户设备(例如,504A)直接使用,但是需要进一步配置以可由不同类型的用户设备(例如,降低能力的用户设备504B)使用。
如所描绘的,基站502可以在步骤506处发送包括用于接收MSG 1中的机器学习模型配置的控制信息的消息。与图4A和4B不同,在该示例中,单个消息调度两种类型的用户设备以接收公共机器学习模型配置。
在508处,基站502然后将MSG 1中的机器学习模型配置发送到常规能力的用户设备504A和降低能力的用户设备504B两者。
在一些情况下,在步骤508处,在MSG 1中发送的机器学习模型配置可以配置可由常规能力的用户设备504A和降低能力的用户设备504B两者使用的模型。例如,机器学习模型可以是较不复杂的并且因此能够由降低能力的用户设备504B处理的模型。因此,在步骤510和512处,常规能力的用户设备504A和降低能力的用户设备504B可以配置机器学习模型。
在其它情况下,在步骤508处,在MSG 1中发送的机器学习模型配置可以配置最初仅可由常规能力的用户设备504A而不可由降低能力的用户设备504B使用的模型。例如,机器学习模型可以是更复杂的并且因此不能在其初始配置中被降低能力的用户设备504B处理的模型。在此类情形中,基站502可以任选地在MSG 2中在步骤514处发送附加(或补充)模型配置,以修改初始模型配置以供较不强大的用户设备(诸如降低能力的用户设备504B)使用。在一些示例中,在步骤506处发送的消息中发送用于接收MSG 2的控制信息。在其它情况下(未示出),其可以在单独的调度消息中发送。
在一些方面中,MSG 2中的附加配置可以指示例如在模型训练期间更新和/或在推理期间由机器学习模型使用的机器学习模型的一部分或部分(例如,神经网络模型的早期、中期和/或晚期层)的参数。换句话说,附加配置可以使得在训练和/或推理期间使用完整模型的子集而不是整个模型。有利地,附加配置可以降低用于模型训练和推理的计算复杂度,以用于降低能力的用户设备,而不需要维护多个单独的模型。
在一些方面中,MSG 2中的附加配置还可以或替代地指示机器学习模型的一部分将被其它算法(例如,较低复杂度的常规算法)替换。这种类型的附加配置同样可以降低模型训练和推理两者的计算复杂度。例如,神经网络的早期层可以用于生成随后用作常规算法(诸如支持向量机、k最近邻和其它算法)的输入的特征。通常,用于多个用户设备类型的单个基本模型的这种类型特定的配置可以显著地减少在空中模型配置期间网络的信令开销。
因此,在步骤516处,降低能力的用户设备504B可以可选地基于MSG 2中的附加配置数据来配置模型的降低复杂度的版本。
在替代示例中,基站502可以在步骤506处在MSG 1内发送基本模型配置(可由常规能力的用户设备504A使用)以及附加配置(以修改模型以可由降低能力的用户设备504B使用)两者。这有益地减少了对进一步经调度的消息(诸如514)的需要,但是当接收MSG 1(因为常规能力的用户设备504A不一定需要附加配置信息)时,略微增加常规能力的用户设备(例如,504A)的开销。然而,在这样的示例中,常规能力的用户设备504A然后具有配置较低复杂度机器学习模型的选项,其可以基于各种操作条件来使用,如上所述。
有利地,图5中描绘的方案可以显著地降低用于多种类型的用户设备的模型配置的信令开销。
在降低能力的用户设备上配置机器学习模型的示例方法
图6展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的方法600的示例。在一些方面中,用户设备(诸如图1和图2的UE 104或图13的处理系统1305)可以执行方法600。
在操作605处,系统在用户设备处从网络接收控制信息,其中,控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,第一类型的机器学习模型被配置用于第一类型的用户设备,并且第二类型的机器学习模型被配置用于第二类型的用户设备。在一些情况下,该步骤的操作涉及或可以由如参照图13所描述的控制信息电路系统来执行。
在操作610处,系统基于用户设备是第一类型的用户设备还是第二类型的用户设备来确定应用第一配置或第二配置中的至少一项。在一些情况下,该步骤的操作涉及或可以由如参考图13描述的机器学习模型配置电路执行。
在操作615处,系统基于该确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型。在一些情况下,此步骤的操作涉及或可以由如参考图13所描述的接收机配置电路执行。
在一些方面中,方法600进一步包括确定应用第一配置。在一些方面中,方法600进一步包括根据第一配置从网络接收第二机器学习模型。在一些方面中,方法600进一步包括基于用户设备的至少一个条件来确定应用第一机器学习模型或第二机器学习模型中的一项。
在一些方面中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。
在一些方面中,第一类型的用户设备是降低能力的用户设备,并且第二类型的用户设备是常规能力的用户设备。
在一些方面中,第一配置调度第一经调度的下行链路消息,并且第二配置调度第二经调度的下行链路消息。
在一些方面中,用户设备是第一类型的用户设备,基于用户设备是第一类型的用户设备还是第二类型的用户设备来确定应用第一配置或第二配置中的至少一项包括:确定应用第一配置,并且基于确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型包括:根据第一配置来接收第一机器学习模型。
在一些方面中,用户设备是第二类型的用户设备,基于用户设备是第一类型的用户设备还是第二类型的用户设备来确定应用第一配置或第二配置中的至少一项包括:确定应用第二配置,并且基于确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型包括:根据第二配置来接收第一机器学习模型。
在一些方面中,用户设备的至少一个条件包括以下各项中的一项或多项:用户设备的电池状态、用户设备的功率状态、用户设备的RRC状态、用户设备的活动带宽部分、用户设备与网络之间的信道条件、或者用户设备的移动性状态。
在一些方面中,基于确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型包括:经由一个或多个SIB来接收第一机器学习模型。
在一些方面中,控制信息包括经由PDCCH接收的DCI。在一些方面中,DCI包括被配置为指示用于接收第一机器学习模型的经调度的下行链路消息的位图或码点。在一些方面中,DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些方面中,控制信息包括一个或多个MAC CE。
在一些方面中,用于调度一个或多个MAC CE的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
在一些方面中,控制信息包括RRC消息。
在一些方面中,用于调度RRC消息的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
在一些方面中,控制信息包括一个或多个SIB。在一些方面中,用于调度一个或多个SIB的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
图7展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的方法700的示例。在一些方面中,用户设备(诸如图1和图2的UE 104或图13的处理系统1305)可以执行方法700。
在操作705处,系统在用户设备处从网络接收控制信息,其中,控制信息指示用于接收机器学习模型的类型的配置,机器学习模型的类型被配置用于用户设备的类型,并且控制信息包括经由与用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC。在一些情况下,该步骤的操作涉及或可以由如参照图13所描述的控制信息电路系统来执行。
在操作710处,系统根据配置从网络接收机器学习模型,其中,用户设备是用户设备的类型。在一些情况下,此步骤的操作涉及或可以由如参考图13所描述的接收机配置电路执行。
在一些方面中,用户设备是降低能力的用户设备。在其它方面中,用户设备是常规能力的用户设备。
在一些方面中,该配置调度用于接收机器学习模型的下行链路消息。
在一些方面中,根据配置从网络接收机器学习模型包括:经由一个或多个SIB来接收机器学习模型。
在一些方面中,控制信息包括经由PDCCH接收的DCI。在一些方面中,DCI包括被配置为指示用于接收机器学习模型的经调度的下行链路消息的位图或码点。
在一些方面中,控制信息包括一个或多个MAC CE。在一些方面中,控制信息包括RRC消息。在一些方面中,控制信息包括一个或多个SIB。
图8展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的方法800的示例。在一些方面中,用户设备(诸如图1和图2的UE 104或图13的处理系统1305)可以执行方法800。
在操作805处,系统在用户设备处从网络接收用于第一类型的机器学习模型的配置。在一些情况下,该步骤的操作涉及或可以由如参照图13所描述的控制信息电路系统来执行。
在操作810处,系统在用户设备处从网络接收用于第二类型的机器学习模型的配置。在一些情况下,该步骤的操作涉及或可以由如参照图13所描述的控制信息电路系统来执行。
在操作815处,系统基于用于第一类型的机器学习模型的配置或用于第二类型的机器学习模型的配置中的至少一项并且基于用户设备的类型,在用户设备上配置机器学习模型。在一些情况下,该步骤的操作涉及或可以由如参考图13描述的机器学习模型配置电路执行。
在操作820处,系统利用机器学习模型执行操作。在一些情况下,此步骤的操作涉及或可以由如参考图13所描述的机器学习电路执行。
在一些方面中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。
在一些方面中,用户设备的类型是降低能力的用户设备或常规能力的用户设备。
在一些方面中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在与网络相同消息中接收的。
在一些方面中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的单独消息中接收的。
在一些方面中,用于第二类型的机器学习模型的配置指示来自第一类型的机器学习模型的在机器学习模型的训练期间更新的机器学习模型元素的子集。在一些方面中,用于第二类型的机器学习模型的配置指示来自第一类型的机器学习模型的在推理期间绕过的机器学习模型元素的子集。在一些方面中,用于第二类型的机器学习模型的配置指示用于代替来自第一类型的机器学习模型的机器学习模型元素来执行的至少一个功能。
在一些方面中,用户设备的类型是降低能力的用户设备。
图9展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的方法900的示例。在一些方面中,用户设备(诸如图1和图2的UE 104或图12的处理系统1205)可以执行方法900。
在操作905处,系统从网络向用户设备发送控制信息,其中,控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,第一类型的机器学习模型被配置用于第一类型的用户设备,并且第二类型的机器学习模型被配置用于第二类型的用户设备。在一些情况下,该步骤的操作涉及或可以由如参照图12所描述的控制信息电路系统来执行。
在操作910处,系统根据第一配置发送第一类型的第一机器学习模型。在一些情况下,该步骤的操作涉及或可以由如参考图12描述的机器学习模型配置电路执行。
在操作915处,系统根据第二配置发送第二类型的第二机器学习模型。在一些情况下,该步骤的操作涉及或可以由如参考图12描述的机器学习模型配置电路执行。
在一些方面中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。在一些方面中,第一类型的用户设备是降低能力的用户设备,并且第二类型的用户设备是常规能力的用户设备。在一些方面中,第一配置调度第一经调度的下行链路消息,并且第二配置调度第二经调度的下行链路消息。
在一些方面中,根据第一配置发送第一类型的第一机器学习模型包括:经由一个或多个SIB来发送第一机器学习模型。在一些方面中,控制信息包括经由PDCCH发送的DCI。在一些方面中,DCI包括被配置为指示用于接收第一机器学习模型的经调度的下行链路消息的位图或码点。在一些方面中,DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些方面中,控制信息包括一个或多个MAC CE。在一些方面中,用于调度一个或多个MAC CE的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些方面中,控制信息包括RRC消息。在一些方面中,用于调度RRC消息的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些方面中,控制信息包括一个或多个SIB。在一些方面中,用于调度一个或多个SIB的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
图10展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的方法1000的示例。在一些方面中,用户设备(诸如图1和图2的UE 104或图12的处理系统1205)可以执行方法1000。
在操作1005处,系统从网络向用户设备发送控制信息,其中,控制信息指示用于接收机器学习模型的类型的配置,机器学习模型的类型被配置用于用户设备的类型,并且控制信息包括经由与用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC。在一些情况下,该步骤的操作涉及或可以由如参照图12所描述的控制信息电路系统来执行。
在操作1010处,系统根据配置来向用户设备发送机器学习模型,其中,用户设备是用户设备的类型。在一些情况下,该步骤的操作涉及或可以由如参考图12描述的机器学习模型配置电路执行。
在一些方面中,用户设备是降低能力的用户设备。在一些方面中,用户设备是常规能力的用户设备。在一些方面中,配置调度用于发送机器学习模型的下行链路消息。在一些方面中,根据配置来从网络向用户设备发送机器学习模型包括:经由一个或多个SIB来发送机器学习模型。在一些方面中,控制信息包括经由PDCCH发送的DCI。在一些方面中,DCI包括被配置为指示用于接收机器学习模型的经调度的下行链路消息的位图或码点。在一些方面中,控制信息包括一个或多个MAC CE。在一些方面中,控制信息包括RRC消息。在一些方面中,控制信息包括一个或多个SIB。
图11展示了根据本公开内容的各方面的用于降低能力的用户设备的机器学习模型配置的方法1100的示例。在一些方面中,用户设备(诸如图1和图2的UE 104或图12的处理系统1205)可以执行方法1100。
在操作1105处,系统从网络向用户设备发送用于第一类型的机器学习模型的配置。在一些情况下,该步骤的操作涉及或可以由如参考图12描述的机器学习模型配置电路执行。
在操作1110处,系统从网络向用户设备发送用于第二类型的机器学习模型的配置,其中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。在一些情况下,该步骤的操作涉及或可以由如参考图12描述的机器学习模型配置电路执行。
在一些方面中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的相同消息中发送的。
在一些方面中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的单独消息中发送的。
示例无线通信设备
图12描绘了示例通信设备1200,其包括可操作以、被配置为或被调整为执行本文所公开的技术的操作(诸如关于图4A-图5和图9-图11描绘和描述的操作)的各种组件。在一些示例中,通信设备可以是例如关于图1和2描述的基站102。
通信设备1200包括耦合到收发机1245(例如,发射机和/或接收机)的处理系统1205。收发机1245被配置为经由天线1250来发射(或发送)和接收用于通信设备1200的信号,诸如如本文所描述的各种信号。
处理系统1205可以被配置为执行用于通信设备1200的处理功能,包括处理由通信设备1200接收的和/或要发送的信号。
处理系统1205包括经由总线1240耦合到计算机可读介质/存储器1225的一个或多个处理器1210。在某些方面中,计算机可读介质/存储器1225被配置为存储指令(例如,计算机可执行代码),所述指令当由一个或多个处理器1210执行时使一个或多个处理器1210执行图4A-图5和图9-图11所示出的操作,或者用于执行本文中讨论的各个技术的其它操作。
通信设备1200的各种组件可以提供用于执行本文(包括关于图4A-图5和图9-图11)所描述的方法的单元。
在一些示例中,用于发射或发送的单元(或用于输出以供传输的单元)可以包括图2中所示出的基站102的收发机232和/或天线234和/或图12中的通信设备的收发机1245和天线1250。
在一些示例中,用于接收的单元(或用于获得的单元)可以包括图2中示出的基站102的收发机232和/或天线234和/或图12中的通信设备的收发机1245和天线1250。
在一些示例中,用于配置机器学校模型的单元可以包括各种处理系统1205组件,诸如:图12中的一个或多个处理器1210、或图2中所示的基站102的各方面,包括接收处理器238、发送处理器220、TX MIMO处理器230、和/或控制器/处理器240。
在所描绘的示例中,一个或多个处理器1210包括被配置为实现存储在计算机可读介质/存储器中的代码的电路,包括控制信息电路1215和机器学习模型配置电路1220。
根据一些方面,控制信息电路1215从网络向用户设备发送控制信息,其中,控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,第一类型的机器学习模型被配置用于第一类型的用户设备,并且第二类型的机器学习模型被配置用于第二类型的用户设备。
在一些示例中,第一类型的用户设备是降低能力的用户设备,并且第二类型的用户设备是常规能力的用户设备。在一些示例中,控制信息包括经由PDCCH发送的DCI。
在一些示例中,DCI包括被配置为指示用于接收第一机器学习模型的经调度的下行链路消息的位图或码点。
在一些示例中,DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
在一些示例中,控制信息包括一个或多个MAC CE。在一些示例中,用于调度一个或多个MAC CE的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
在一些示例中,控制信息包括RRC消息。
在一些示例中,用于调度RRC消息的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些示例中,控制信息包括一个或多个SIB。
在一些示例中,用于调度一个或多个SIB的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
根据一些方面,控制信息电路1215从网络向用户设备发送控制信息,其中,控制信息指示用于接收机器学习模型的类型的配置,机器学习模型的类型被配置用于用户设备的类型,并且控制信息包括经由与用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC。
在一些示例中,用户设备是降低能力的用户设备。在一些示例中,用户设备是常规能力的用户设备。
在一些示例中,根据配置从网络向用户设备发送机器学习模型包括:经由一个或多个SIB来发送机器学习模型。在一些示例中,控制信息包括经由PDCCH发送的DCI。在一些示例中,DCI包括被配置为指示用于接收机器学习模型的经调度的下行链路消息的位图或码点。在一些示例中,控制信息包括一个或多个MAC CE。在一些示例中,控制信息包括RRC消息。在一些示例中,控制信息包括一个或多个SIB。
根据一些方面,机器学习模型配置电路1220根据第一配置发送第一类型的第一机器学习模型。在一些示例中,机器学习模型配置电路1220根据第二配置发送第二类型的第二机器学习模型。在一些示例中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。在一些示例中,第一配置调度第一经调度的下行链路消息,并且第二配置调度第二经调度的下行链路消息。在一些示例中,根据第一配置发送第一类型的第一机器学习模型包括:经由一个或多个SIB来发送第一机器学习模型。
根据一些方面,机器学习模型配置电路1220根据配置来向用户设备发送机器学习模型,其中,用户设备是用户设备的类型。在一些示例中,配置调度用于发送机器学习模型的下行链路消息。
根据一些方面,机器学习模型配置电路1220从网络向用户设备发送用于第一类型的机器学习模型的配置。在一些示例中,机器学习模型配置电路1220从网络向用户设备发送用于第二类型的机器学习模型的配置,其中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。
在一些示例中,用于第二类型的机器学习模型的配置指示以下各项中的至少一项:来自第一类型的机器学习模型的在机器学习模型的训练期间更新的机器学习模型元素的子集,来自第一类型的机器学习模型的在与机器学习模型进行推理期间绕过的机器学习模型元素的子集,或者用于代替来自第一类型的机器学习模型的机器学习模型元素执行的至少一个功能。
在一些示例中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的相同消息中发送的。在一些示例中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的单独消息中发送的。
值得注意的是,图12仅仅是一个示例,并且通信设备的很多其它示例和配置是可能的。
图13描绘了示例通信设备1300,其包括可操作以、被配置为或被调整为执行本文所公开的技术的操作(诸如关于图4A-图5和图6-图8描绘和描述的操作)的各种组件。在一些示例中,通信设备可以是例如关于图1和2描述的用户设备104。
通信设备1300包括耦合到收发机1375(例如,发射机和/或接收机)的处理系统1305。收发机1375被配置为经由天线1380来发射(或发送)和接收用于通信设备1300的信号,诸如本文所描述的各种信号。处理系统1305可以被配置为执行用于通信设备1300的处理功能,包括处理由通信设备1300接收的和/或要发送的信号。
处理系统1305包括经由总线1370耦合到计算机可读介质/存储器1340的一个或多个处理器1310。在某些方面中,计算机可读介质/存储器1340被配置为存储指令(例如,计算机可执行代码),所述指令当由一个或多个处理器1310执行时使一个或多个处理器1310执行图4A-图5和图6-图8所示出的操作,或者用于执行本文中讨论的各个技术的其它操作。
通信设备1300的各种组件可以提供用于执行本文(包括关于图4A-图5和图6-图8)所描述的方法的单元。
在一些示例中,用于发射或发送的单元(或者用于输出以进行传输的单元)可以包括图2中所示的用户设备104的收发机254和/或天线252和/或图13中的通信设备的收发机1375和天线1380。
在一些示例中,用于接收的单元(或用于获取的单元)可以包括图2中所示的用户设备104的收发机254和/或天线252和/或图13中的通信设备的收发机1375和天线1380。
在一些示例中,用于配置机器学习模型的单元可以包括各种处理系统1305组件,诸如:图13中的一个或多个处理器1310,或图2中描绘的用户设备104的各方面,包括接收处理器258、发送处理器264、TX MIMO处理器266和/或控制器/处理器280。
在一些示例中,一个或多个处理器1310可以包括一个或多个智能硬件设备(例如,通用处理组件、数字信号处理器(DSP)、中央处理单元(CPU)、图形处理单元(GPU)、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件、分立门或晶体管逻辑组件、分立硬件组件或其任何组合)。在一些情况下,一或多个处理器1310被配置以使用存储器控制器操作存储器阵列。在其它情况下,存储器控制器被集成到一个或多个处理器1310中。在一些情况下,一个或多个处理器1310被配置为执行存储在存储器中的计算机可读指令以执行各种功能。在一些方面中,一个或多个处理器1310包括用于调制解调器处理、基带处理、数字信号处理或传输处理的专用组件。
机器学习模型是一种计算机算法和硬件组合,其能够学习特定模式而不被明确编程,而是通过对已知数据的迭代。机器学习模型可以涉及包括输入节点、隐藏节点和输出节点的认知模型。机器学习模型中的节点可以具有基于先前节点的输出来计算节点是否被激活的激活函数。训练系统可以涉及为输入提供值,以及(在算法上或随机地)修改边缘权重和激活函数,直到结果紧密接近期望输出集合。
神经处理单元(NPU)是在机器学习算法的加速中具体化的微处理器。例如,NPU可以在诸如人工神经网络(ANN)或随机森林(RF)的预测模型上操作。在一些情况下,NPU被设计为使得其不适合于诸如由中央处理单元(CPU)执行的通用计算。附加地或替代地,可以不针对通用计算开发NPU的软件支持。
在一些示例中,机器学习模型(或机器学习模型配置)可以包括ANN的一个或多个方面。ANN是包括许多连接节点(即,人工神经元)的硬件或软件组件,这些连接节点松散地对应于人脑中的神经元。每个连接或边缘将信号从一个节点发送到另一个节点(如大脑中的物理突触)。当节点接收到信号时,它处理该信号,然后将处理后的信号发送到其它连接的节点。在一些情况下,节点之间的信号包括实数,并且每个节点的输出由其输入的和的函数来计算。每个节点和边与确定如何处理和发送信号的一个或多个节点权重相关联。在训练过程期间,调整这些权重以提高结果的准确性(即,通过最小化损失函数,损失函数以某种方式对应于当前结果与目标结果之间的差异)。边缘的权重增加或减小在节点之间发送的信号的强度。在一些情况下,节点具有低于其根本不发送信号的阈值。在一些示例中,节点被聚合成层。不同的层对其输入执行不同的变换。初始层被称为输入层,并且最后一层被称为输出层。在一些情况下,信号多次遍历某些层。
在一些示例中,机器学习模型(或机器学习模型配置)可以包括卷积神经网络(CNN)的一个或多个方面。CNN是一类通常用于计算机视觉或图像分类系统中的神经网络。在一些情况下,CNN可以实现对具有最小预处理的数字图像进行处理。CNN可以通过使用卷积(或交叉相关)隐藏层来表征。这些层在将结果发信号通知给下一层之前对输入应用卷积运算。每个卷积节点可以处理有限输入字段(即,感受野)的数据。在CNN的正向传递期间,可以跨输入体积卷积每层处的滤波器,计算滤波器与输入之间的点积。在训练过程期间,可以修改滤波器,使得它们在它们检测到输入内的特定特征时激活。
存储器设备的示例包括随机存取存储器(RAM)、只读存储器(ROM)或硬盘。存储器设备的示例包括固态存储器和硬盘驱动器。在一些示例中,存储器用于存储计算机可读、计算机可执行的软件,所述软件包括指令,当被执行时,所述指令使处理器执行本文所述的各种功能。在一些情况下,存储器除了其它以外包含基本输入输出系统(BIOS),其控制基本的硬件或软件操作,诸如与外围组件或设备的交互。在一些情况下,存储器控制器操作存储器单元。例如,存储器控制器可以包括行解码器、列解码器或两者。在一些情况下,存储器内的存储单元以逻辑状态的形式存储信息。
收发机1375可以经由天线1380、有线或无线链路进行双向通信,如上所述。例如,收发机1375可以表示无线收发机1375,以及可以与另一无线收发机1375双向地进行通信。收发机1375还可以包括调制解调器或连接到调制解调器以调制分组并提供经调制的分组以供传输,以及解调接收到的分组。在一些实例中,收发机1375可以被调谐以在指定频率下操作。例如,调制解调器可以基于由调制解调器所使用的通信协议来配置收发机1375以在特定的频率和功率水平下操作。
在所描绘的示例中,一个或多个处理器1310包括被配置为实现存储在计算机可读介质/存储器中的代码的电路,包括控制信息电路1315、机器学习模型配置电路1320、接收机配置电路1325、用户设备条件电路1330和机器学习电路1335。
根据一些方面,控制信息电路1315在用户设备处从网络接收控制信息,其中,控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,第一类型的机器学习模型被配置用于第一类型的用户设备,并且第二类型的机器学习模型被配置用于第二类型的用户设备。
在一些示例中,控制信息包括经由PDCCH接收的DCI。在一些示例中,DCI包括被配置为指示用于接收第一机器学习模型的经调度的下行链路消息的位图或码点。
在一些示例中,DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些示例中,控制信息包括一个或多个MAC CE。
在一些示例中,用于调度一个或多个MAC CE的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些示例中,控制信息包括RRC消息。
在一些示例中,用于调度RRC消息的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。在一些示例中,控制信息包括一个或多个SIB。
在一些示例中,用于调度一个或多个SIB的DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
根据一些方面,控制信息电路1315在用户设备处从网络接收控制信息,其中,控制信息指示用于接收机器学习模型的类型的配置,机器学习模型的类型被配置用于用户设备的类型,并且控制信息包括经由与用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC。
根据一些方面,控制信息电路1315在用户设备处从网络接收用于第一类型的机器学习模型的配置。在一些示例中,控制信息电路1315在用户设备处从网络接收用于第二类型的机器学习模型的配置。
在一些示例中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的相同消息中接收的。
在一些示例中,用于第一类型的机器学习模型的配置和用于第二类型的机器学习模型的配置是在来自网络的单独消息中接收的。
在一些示例中,用于第二类型的机器学习模型的配置指示来自第一类型的机器学习模型的在机器学习模型的训练期间更新的机器学习模型元素的子集。在一些示例中,用于第二类型的机器学习模型的配置指示来自第一类型的机器学习模型的在推理期间绕过的机器学习模型元素的子集。
在一些示例中,用于第二类型的机器学习模型的配置指示用于代替来自第一类型的机器学习模型的机器学习模型元素来执行的至少一个功能。
根据一些方面,机器学习模型配置电路1320基于用户设备是第一类型的用户设备还是第二类型的用户设备来确定应用第一配置或第二配置中的至少一项。
在一些示例中,第一类型的机器学习模型导致比第二类型的机器学习模型较低复杂度的机器学习操作。在一些示例中,第一类型的用户设备是降低能力的用户设备,并且第二类型的用户设备是常规能力的用户设备。
在一些示例中,第一配置调度第一经调度的下行链路消息,并且第二配置调度第二经调度的下行链路消息。在一些示例中,机器学习模型配置电路1320确定应用第一配置。
根据一些方面,机器学习模型配置电路1320基于用于第一类型的机器学习模型的配置或用于第二类型的机器学习模型的配置中的至少一项并且基于用户设备的类型,在用户设备上配置机器学习模型。在一些示例中,用户设备的类型是降低能力的用户设备或常规能力的用户设备。
根据一些方面,接收机配置电路1325基于该确定来根据第一配置或第二配置中的至少一项来从网络接收第一机器学习模型。
在一些示例中,用户设备是第一类型的用户设备,基于用户设备是第一类型的用户设备还是第二类型的用户设备来确定应用第一配置或第二配置中的至少一项包括确定应用第一配置,并且基于确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型包括:根据第一配置来接收第一机器学习模型。
在一些示例中,用户设备是第二类型的用户设备,基于用户设备是第一类型的用户设备还是第二类型的用户设备来确定应用第一配置或第二配置中的至少一项包括确定应用第二配置,并且基于确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型包括:根据第二配置来接收第一机器学习模型。
在一些示例中,接收机配置电路1325根据第一配置从网络接收第二机器学习模型。在一些示例中,基于确定来根据第一配置或第二配置中的至少一项从网络接收第一机器学习模型包括:经由一个或多个SIB来接收第一机器学习模型。
根据一些方面,接收机配置电路1325根据配置来从网络接收机器学习模型,其中,用户设备是用户设备的类型。
在一些示例中,配置调度用于接收机器学习模型的下行链路消息。在一些示例中,根据配置从网络接收机器学习模型包括:经由一个或多个SIB来接收机器学习模型。
根据一些方面,用户设备条件电路1330基于用户设备的至少一个条件来确定应用第一机器学习模型或第二机器学习模型中的一项。在一些示例中,用户设备的至少一个条件包括以下各项中的一项或多项:用户设备的电池状态、用户设备的功率状态、用户设备的RRC状态、用户设备的活动带宽部分、用户设备与网络之间的信道条件、或用户设备的移动性状态。
根据一些方面,机器学习电路1335利用经配置的机器学习模型来执行操作。
在所描绘的示例中,计算机可读介质/存储器1340存储控制信息代码1345、机器学习模型配置代码1350、接收机配置代码1355、用户设备条件代码1360和机器学习代码1365。
值得注意的是,图13仅仅是一个示例,并且通信设备的很多其它示例和配置是可能的。
示例条款
在以下编号的条款中描述了实现方式示例:
条款1:一种方法,包括:在用户设备处从网络接收控制信息,其中,所述控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,所述第一类型的机器学习模型被配置用于第一类型的用户设备,并且所述第二类型的机器学习模型被配置用于第二类型的用户设备;基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备来确定应用所述第一配置或所述第二配置中的至少一项,以及基于所述确定,根据所述第一配置或所述第二配置中的至少一项从所述网络接收第一机器学习模型。
条款2:根据条款1所述的方法,其中:所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作。
条款3:根据条款2所述的方法,其中:所述第一类型的用户设备是降低能力的用户设备,并且所述第二类型的用户设备是常规能力的用户设备。
条款4:根据条款3所述的方法,其中:所述第一配置调度第一经调度的下行链路消息,并且所述第二配置调度第二经调度的下行链路消息。
条款5:根据条款3所述的方法,其中:所述用户设备是所述第一类型的用户设备,基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备来确定应用所述第一配置或所述第二配置中的至少一项包括:确定应用所述第一配置,并且基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收所述第一机器学习模型包括:根据所述第一配置来接收所述第一机器学习模型。
条款6:根据条款3所述的方法,其中:所述用户设备是所述第二类型的用户设备,基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备来确定应用所述第一配置或所述第二配置中的至少一项包括:确定应用所述第二配置,并且基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收所述第一机器学习模型包括:根据所述第二配置来接收所述第一机器学习模型。
条款7:根据条款6所述的方法,进一步包括:确定应用所述第一配置;以及根据所述第一配置从所述网络接收第二机器学习模型。
条款8:根据条款7所述的方法,进一步包括:基于所述用户设备的至少一个条件来确定应用所述第一机器学习模型或所述第二机器学习模型中的一项。
条款9:根据条款8所述的方法,其中:所述用户设备的所述至少一个条件包括以下各项中的一项或多项:所述用户设备的电池状态、所述用户设备的功率状态、所述用户设备的RRC状态、所述用户设备的活动带宽部分、所述用户设备与所述网络之间的信道条件、或者所述用户设备的移动性状态。
条款10:根据条款1-9中任一项所述的方法,其中:基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收所述第一机器学习模型包括:经由一个或多个SIB来接收所述第一机器学习模型。
条款11:根据条款1-10中任一项所述的方法,其中:所述控制信息包括经由PDCCH接收的DCI。
条款12:根据条款11所述的方法,其中:所述DCI包括被配置为指示用于接收所述第一机器学习模型的经调度的下行链路消息的位图或码点。
条款13:根据条款11所述的方法,其中:所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款14:根据条款1-13中任一项所述的方法,其中:所述控制信息包括一个或多个MAC CE。
条款15:根据条款14所述的方法,其中:用于调度所述一个或多个MAC CE的所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款16:根据条款1-15中任一项所述的方法,其中:所述控制信息包括RRC消息。
条款17:根据条款16所述的方法,其中:用于调度所述RRC消息的所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款18:根据条款1-17中任一项所述的方法,其中:所述控制信息包括一个或多个SIB。
条款19:根据条款18所述的方法,其中:用于调度所述一个或多个SIB的所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款20:一种装置,包括:包括可执行指令的存储器;一个或多个处理器,其被配置为执行所述可执行指令并使所述装置执行根据条款1-19中任一条款所述的方法。
条款21:一种装置,包括用于执行根据条款1-19中任一条款所述的方法的单元。
条款22:一种非暂时性计算机可读介质,包括:可执行指令,其当由装置的一个或多个处理器执行时使所述装置执行根据条款1-19中任一条款所述的方法。
条款23:一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行根据条款1-19中任一项的方法的代码。
条款24:一种方法,包括:在用户设备处从网络接收控制信息,其中,所述控制信息指示用于接收机器学习模型的类型的配置,所述机器学习模型的类型被配置用于用户设备的类型,并且所述控制信息包括经由与所述用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC;以及根据所述配置从所述网络接收机器学习模型,其中,所述用户设备是所述用户设备的类型。
条款25:根据条款24所述的方法,其中:所述用户设备是降低能力的用户设备。
条款26:根据条款25所述的方法,其中:所述用户设备是常规能力的用户设备。
条款27:根据条款24-26中任一项所述的方法,其中:所述配置调度用于接收所述机器学习模型的下行链路消息。
条款28:根据条款24-27中任一项所述的方法,其中:根据所述配置从所述网络接收所述机器学习模型包括:经由一个或多个SIB来接收所述机器学习模型。
条款29:根据条款24-28中任一项所述的方法,其中:所述控制信息包括经由PDCCH接收的DCI。
条款30:根据条款29所述的方法,其中:所述DCI包括被配置为指示用于接收所述机器学习模型的经调度的下行链路消息的位图或码点。
条款31:根据条款24-30中任一项所述的方法,其中:所述控制信息包括一个或多个MAC CE。
条款32:根据条款24-31中任一项所述的方法,其中:所述控制信息包括RRC消息。
条款33:根据条款24-32中任一项所述的方法,其中:所述控制信息包括一个或多个SIB。
条款34:一种装置,包括:包括可执行指令的存储器;一个或多个处理器,其被配置为执行所述可执行指令并使所述装置执行根据条款24-33中任一条款所述的方法。
条款35:一种装置,包括用于执行根据条款24-33中任一条款所述的方法的单元。
条款36:一种非暂时性计算机可读介质,包括:可执行指令,其当由装置的一个或多个处理器执行时使所述装置执行根据条款24-33中任一条款所述的方法。
条款37:一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行根据条款24-33中任一项的方法的代码。
条款38:一种方法,包括:在用户设备处从网络接收用于第一类型的机器学习模型的配置;在所述用户设备处从所述网络接收用于第二类型的机器学习模型的配置;基于用于所述第一类型的机器学习模型的配置或用于所述第二类型的机器学习模型的配置中的至少一项并且基于所述用户设备的类型,在所述用户设备上配置机器学习模型;以及利用所述机器学习模型执行操作。
条款39:根据条款38所述的方法,其中:所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作。
条款40:根据条款39所述的方法,其中:所述用户设备的类型是降低能力的用户设备或常规能力的用户设备。
条款41:根据条款38-40中任一项所述的方法,其中:用于所述第一类型的机器学习模型的配置和用于所述第二类型的机器学习模型的配置是在来自所述网络的相同消息中接收的。
条款42:根据条款38-41中任一项所述的方法,其中:用于所述第一类型的机器学习模型的所述配置和用于所述第二类型的机器学习模型的所述配置是在来自所述网络的单独的消息中接收的。
条款43:根据条款38-42中任一项所述的方法,其中:用于所述第二类型的机器学习模型的配置指示来自所述第一类型的机器学习模型的在所述机器学习模型的训练期间更新的机器学习模型元素的子集。
条款44:根据条款38-43中任一项所述的方法,其中:用于所述第二类型的机器学习模型的配置指示来自所述第一类型的机器学习模型的在推理期间绕过的机器学习模型元素的子集。
条款45:根据条款38-44中任一项所述的方法,其中:用于所述第二类型的机器学习模型的配置指示用于代替来自所述第一类型的机器学习模型的机器学习模型元素来执行的至少一个功能。
条款46:根据条款38-45中任一项所述的方法,其中:所述用户设备的所述类型是降低能力的用户设备。
条款47:一种装置,包括:包括可执行指令的存储器;一个或多个处理器,其被配置为执行所述可执行指令并使所述装置执行根据条款38-46中任一条款所述的方法。
条款48:一种装置,包括用于执行根据条款38-46中任一条款所述的方法的单元。
条款49:一种非暂时性计算机可读介质,包括:可执行指令,其当由装置的一个或多个处理器执行时使所述装置执行根据条款38-46中任一条款所述的方法。
条款50:一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行根据条款38-46中任一项的方法的代码。
条款51:一种方法,包括:从网络向用户设备发送控制信息,其中,所述控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,所述第一类型的机器学习模型被配置用于第一类型的用户设备,并且所述第二类型的机器学习模型被配置用于第二类型的用户设备;根据所述第一配置来发送所述第一类型的第一机器学习模型;以及根据所述第二配置来发送所述第二类型的第二机器学习模型。
条款52:根据条款51所述的方法,其中:所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作。
条款53:根据条款52所述的方法,其中:所述第一类型的用户设备是降低能力的用户设备,并且所述第二类型的用户设备是常规能力的用户设备。
条款54:根据条款53所述的方法,其中:所述第一配置调度第一经调度的下行链路消息,并且所述第二配置调度第二经调度的下行链路消息。
条款55:根据条款51-54中任一项所述的方法,其中:根据所述第一配置发送所述第一类型的所述第一机器学习模型包括:经由一个或多个SIB来发送所述第一机器学习模型。
条款56:根据条款51-55中任一项所述的方法,其中:所述控制信息包括经由PDCCH发送的DCI。
条款57:根据条款56所述的方法,其中:所述DCI包括被配置为指示用于接收所述第一机器学习模型的经调度的下行链路消息的位图或码点。
条款58:根据条款56所述的方法,其中:所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款59:根据条款51-58中任一项所述的方法,其中:所述控制信息包括一个或多个MAC CE。
条款60:根据条款59所述的方法,其中:用于调度所述一个或多个MAC CE的所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款61:根据条款51-60中任一项所述的方法,其中:所述控制信息包括RRC消息。
条款62:根据条款61所述的方法,其中:用于调度所述RRC消息的所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款63:根据条款51-62中任一项所述的方法,其中:所述控制信息包括一个或多个SIB。
条款64:根据条款63所述的方法,其中:用于调度所述一个或多个SIB的所述DCI包括经由小区特定的或用户设备组特定的RNTI加扰的CRC。
条款65:一种装置,包括:包括可执行指令的存储器;一个或多个处理器,其被配置为执行所述可执行指令并使所述装置执行根据条款51-64中任一条款所述的方法。
条款66:一种装置,包括用于执行根据条款51-64中任一条款所述的方法的单元。
条款67:一种非暂时性计算机可读介质,包括:可执行指令,其当由装置的一个或多个处理器执行时使所述装置执行根据条款51-64中任一条款所述的方法。
条款68:一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行根据条款51-64中任一项的方法的代码。
条款69:一种方法,包括:从网络向用户设备发送控制信息,其中,所述控制信息指示用于接收机器学习模型的类型的配置,所述机器学习模型的类型被配置用于用户设备的类型,并且所述控制信息包括经由与所述用户设备的类型相关联的用户设备组特定的RNTI加扰的CRC;以及根据所述配置向所述用户设备发送机器学习模型,其中,所述用户设备是所述用户设备的类型。
条款70:根据条款69所述的方法,其中:所述用户设备是降低能力的用户设备。
条款71:根据条款69和70中任一项所述的方法,其中:所述用户设备是常规能力的用户设备。
条款72:根据条款69-71中任一项所述的方法,其中:所述配置调度用于发送所述机器学习模型的下行链路消息。
条款73:根据条款69-72中任一项所述的方法,其中:根据所述配置从所述用户设备发送所述机器学习模型包括:经由一个或多个SIB来发送所述机器学习模型。
条款74:根据条款69-73中任一项所述的方法,其中:所述控制信息包括经由PDCCH发送的DCI。
条款75:根据条款74所述的方法,其中:所述DCI包括被配置为指示用于接收所述机器学习模型的经调度的下行链路消息的位图或码点。
条款76:根据条款69-75中任一项所述的方法,其中:所述控制信息包括一个或多个MAC CE。
条款77:根据条款69-76中任一项所述的方法,其中:所述控制信息包括RRC消息。
条款78:根据条款69-77中任一项所述的方法,其中:所述控制信息包括一个或多个SIB。
条款79:一种装置,包括:包括可执行指令的存储器;一个或多个处理器,其被配置为执行所述可执行指令并使所述装置执行根据条款69-78中任一条款所述的方法。
条款80:一种装置,包括用于执行根据条款69-78中任一条款所述的方法的单元。
条款81:一种非暂时性计算机可读介质,包括:可执行指令,其当由装置的一个或多个处理器执行时使所述装置执行根据条款69-78中任一条款所述的方法。
条款82:一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行根据条款69-78中任一项的方法的代码。
条款83:一种方法,包括:从网络向用户设备发送用于第一类型的机器学习模型的配置;以及从所述网络向所述用户设备发送用于第二类型的机器学习模型的配置,其中,所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作,并且其中,用于所述第二类型的机器学习模型的所述配置指示以下各项中的至少一项:来自所述第一类型的机器学习模型的在机器学习模型的训练期间更新的机器学习模型元素的子集、来自所述第一类型的机器学习模型的在与所述机器学习模型进行推理期间绕过的机器学习模型元素的子集、或用于代替来自所述第一类型的机器学习模型的机器学习模型元素来执行的至少一个功能。
条款84:根据条款83所述的方法,其中:用于所述第一类型的机器学习模型的配置和用于所述第二类型的机器学习模型的配置是在来自所述网络的相同消息中发送的。
条款85:根据条款83所述的方法,其中:用于所述第一类型的机器学习模型的配置和用于所述第二类型的机器学习模型的配置是在来自所述网络的单独的消息中发送的。
条款86:一种装置,包括:包括可执行指令的存储器;一个或多个处理器,其被配置为执行所述可执行指令并使所述装置执行根据条款83-85中任一条款所述的方法。
条款87:一种装置,包括用于执行根据条款83-85中任一条款所述的方法的单元。
条款88:一种非暂时性计算机可读介质,包括:可执行指令,其当由装置的一个或多个处理器执行时使所述装置执行根据条款83-85中任一条款所述的方法。
条款89:一种被体现在计算机可读存储介质上的计算机程序产品,所述计算机可读存储介质包括用于执行根据条款83-85中任一项的方法的代码。
额外的无线通信网络考虑
本文描述的技术和方法可以被用于各种无线通信网络(或无线广域网(WWAN))和无线电接入技术(RAT)。虽然本文使用通常与3G、4G和/或5G(例如,5G新无线电(NR))无线技术相关联的术语来描述各方面,但是本公开内容的各方面同样可以适用于本文未明确提及的其它通信系统和标准。
5G无线通信网络可以支持各种高级无线通信服务,诸如增强型移动宽带(eMMB)、毫米波(mmWave)、机器类型通信(MTC)和/或以超可靠、低时延通信(URLLC)为目标的关键任务。这些服务和其它服务可以包括时延和可靠性要求。
返回图1,本公开内容的各个方面可以是在示例无线通信网络100内执行的。
在3GPP中,术语“小区”可以指代节点B的覆盖区域和/或为该覆盖区域服务的窄带子系统,这取决于使用该术语的上下文。在NR系统中,术语“小区”和BS、下一代节点B(gNB或gNodeB)、接入点(AP)、分布式单元(DU)、载波或发送接收点可以互换地使用。BS可以为宏小区、微微小区、毫微微小区和/或其它类型的小区提供通信覆盖。
宏小区通常可以覆盖相对大的地理区域(例如,半径为几公里),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小的地理区域(例如,体育馆)并且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,家庭),并且可以允许与毫微微小区具有关联的UE(例如,封闭用户组(CSG)中的UE和家庭中的用户的UE)进行受限的接入。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、家庭BS或家庭节点B。
被配置用于4G LTE(统称为演进通用移动电信系统(UMTS)陆地无线电接入网(E-UTRAN))的基站102可以通过第一回程链路132(例如,S1接口)与EPC 160进行接口连接。被配置用于5G(例如,5G NR或下一代RAN(NG-RAN))的基站102可以通过第二回程链路184来与5GC 190对接。基站102可以在第三回程链路134(例如,X2接口)上彼此直接或间接地(例如,通过EPC 160或5GC 190)通信。第三回程链路134通常可以是有线的或无线的。
小型小区102’可以在经许可和/或非许可频谱中操作。当在非许可频谱中操作时,小型小区102’可以采用NR,并且使用与由Wi-Fi AP 150所使用的相同的5GHz非许可频谱。在非许可频谱中采用NR的小型小区102’可以提升对接入网络的覆盖和/或增加接入网络的容量。
诸如gNB 180的一些基站可以在传统的sub-6GHz频谱中、在毫米波(mmWave)频率中和/或接近mmWave频率进行操作,与UE 104通信。当gNB 180在mmWave频率中或接近mmWave频率进行操作时,gNB 180可以被称为mmWave基站。
基站102和例如UE 104之间的通信链路120可以是通过一个或多个载波的。例如,基站102和UE 104可以使用在用于每个方向上的传输的高达总共Yx MHz(x个分量载波)的载波聚合中分配的高达每载波Y MHz(例如,5、10、15、20、100、400MHz和其它MHz)带宽的频谱。载波可以是或者可以不是彼此相邻的。载波的分配可以是关于DL和UL非对称的(例如,与UL相比,可以为DL分配更多或者更少的载波)。分量载波可以包括主分量载波和一个或多个辅分量载波。主分量载波可以被称为主小区(PCell),以及辅分量载波可以被称为辅小区(SCell)。
无线通信系统100还包括Wi-Fi接入点(AP)150,其经由通信链路154在例如2.4GHz和/或5GHz的非许可频谱中与Wi-Fi站(STA)152通信。当在非许可频谱中进行通信时,STA152/AP 150可以在进行通信之前执行空闲信道评估(CCA),以确定信道是否可用。
某些UE 104可以使用设备到设备(D2D)通信链路158相互通信。D2D通信链路158可以使用DL/UL WWAN频谱。D2D通信链路158可以使用一个或多个侧行链路信道,诸如物理侧行链路广播信道(PSBCH)、物理侧行链路发现信道(PSDCH)、物理侧行链路共享信道(PSSCH)以及物理侧行链路控制信道(PSCCH)。D2D通信可以通过各种无线D2D通信系统,举几个选项来说,诸如例如FlashLinQ、WiMedia、蓝牙、ZigBee、基于IEEE 802.11标准的Wi-Fi、4G(例如LTE)或5G(例如NR)。
EPC 160可以包括移动性管理实体(MME)162、其它MME 164、服务网关166、多媒体广播多播服务(MBMS)网关168、广播多播服务中心(BM-SC)170和分组数据网络(PDN)网关172。MME 162可以与归属订户服务器(HSS)174进行通信。MME 162是处理UE 104和EPC 160之间的信令的控制节点。通常,MME 162提供承载和连接管理。
通常,用户网际协议(IP)分组通过服务网关166来转发,该服务网关166本身连接到PDN网关172。PDN网关172提供UE IP地址分配以及其它功能。PDN网关172和BM-SC 170连接到IP服务176,IP服务176可以包括例如互联网、内联网、IP多媒体子系统(IMS)、PS流式传输服务和/或其它IP服务。
BM-SC 170可以提供用于MBMS用户服务供应和递送的功能。BM-SC 170可以充当用于内容提供商MBMS传输的入口点,可以用于在公共陆地移动网络(PLMN)内授权和发起MBMS承载服务,并且可以用于调度MBMS传输。MBMS网关168可以用于将MBMS业务分发到属于广播特定服务的多播广播单频网络(MBSFN)区域的基站102,并且可以负责会话管理(开始/停止)和收集与eMBMS有关的计费信息。
5GC 190可以包括接入和移动性管理功能(AMF)192、其它AMF 193、会话管理功能(SMF)194和用户平面功能(UPF)195。AMF 192可以与统一数据管理(UDM)196进行通信。
AMF 192通常是处理UE 104与5GC 190之间的信令的控制节点。通常,AMF 192提供QoS流和会话管理。
所有用户互联网协议(IP)分组是通过UPF 195来传输的,UPF 135连接到IP服务197并且为UE提供IP地址分配以及用于5GC 190的其它功能。IP服务197可以包括例如互联网、内联网、IP多媒体子系统(IMS)、PS流式传输服务和/或其它IP服务。
返回图2,描绘了BS102和UE 104的各种示例组件(例如,图1的无线通信网络100),其可以用于实现本公开内容的各方面。
在BS102处,发送处理器220可以从数据源212接收数据,并且从控制器/处理器240接收控制信息。控制信息可以是用于物理广播信道(PBCH)、物理控制格式指示符信道(PCFICH)、物理混合ARQ指示符信道(PHICH)、物理下行链路控制信道(PDCCH)、组公共PDCCH(GC PDCCH)等的。在一些示例中,数据可以是用于物理下行链路共享信道(PDSCH)的。
介质访问控制(MAC)-控制元素(MAC-CE)是可以用于无线节点之间的控制命令交换的MAC层通信结构。MAC-CE可以被携带在共享信道(诸如,物理下行链路共享信道(PDSCH)、物理上行链路共享信道(PUSCH)、或物理侧行链路共享信道(PSSCH))中。
处理器220可以处理(例如,编码和符号映射)数据和控制信息,以分别获得数据符号和控制符号。发送处理器220还可以生成诸如用于主同步信号(PSS)、辅同步信号(SSS)、PBCH解调参考信号(DMRS)和信道状态信息参考信号(CSI-RS)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、控制符号和/或参考符号(如果适用的话)执行空间处理(例如,预编码),并且可以向收发机232a-232t中的调制器(MOD)提供输出符号流。收发机232a-232t中的每个调制器可以处理相应的输出符号流(例如,针对OFDM)以获得输出采样流。每个调制器可以进一步处理(例如,转换到模拟、放大、滤波以及上变频)输出采样流,以获得下行链路信号。来自收发机232a-232t中的调制器的下行链路信号可以分别经由天线234a-234t来发送。
在UE 104处,天线252a-252r可以从BS102接收下行链路信号,并且可以将接收的信号分别提供给收发机254a-254r中的解调器(DEMOD)。收发机254a-254r中每个解调器可以调节(例如,滤波、放大、下变频以及数字化)相应的接收的信号以获得输入采样。每个解调器可以进一步处理输入采样(例如,针对OFDM)以获得接收符号。
MIMO检测器256可以从收发机254a-254r中的所有解调器获得接收符号,对接收符号执行MIMO检测(如果适用的话),并提供检测到的符号。接收处理器258可以处理(例如,解调、解交织和解码)检测到的符号,将针对UE 104的解码后的数据提供给数据宿260,并将解码后的控制信息提供给控制器/处理器280。
在上行链路上,在UE 104处,发送处理器264可以接收并且处理来自数据源262的数据(例如,用于物理上行链路共享信道(PUSCH))和来自控制器/处理器280的控制信息(例如,用于物理上行链路控制信道(PUCCH))。发送处理器264还可以生成用于参考信号(例如,用于探测参考信号(SRS))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来预编码(如果适用的话),由收发机254a-254r中的调制器进一步处理(例如,针对SC-FDM),并且被发送给BS 102。
在BS102处,来自UE 104的上行链路信号可以由天线234a-t接收,由收发机232a-232t中的解调器处理,由MIMO检测器236检测(如果适用的话),并且由接收处理器238进一步处理以获得由UE 104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,并将经解码的控制信息提供给控制器/处理器240。
存储器242和282可以分别存储用于BS102和UE 104的数据和程序代码。
调度器244可以调度UE进行下行链路和/或上行链路上的数据传输。
5G可以在上行链路和下行链路上利用具有循环前缀(CP)的正交频分复用(OFDM)。5G还可以使用时分双工(TDD)来支持半双工操作。OFDM和单载波频分复用(SC-FDM)将系统带宽划分成多个正交子载波,这些正交子载波通常也被称为音调和频段。每个子载波可以利用数据来调制。可以在频域中利用OFDM并且在时域中利用SC-FDM来发送调制符号。相邻子载波之间的间隔可以是固定的,并且子载波的总数可以取决于系统带宽。在一些示例中,最小资源分配(被称为资源块(RB))可以是12个连续的子载波。系统带宽也可以被划分为子带。例如,子带可以覆盖多个RB。NR可以支持15KHz的基本子载波间隔(SCS),并且其它SCS可以关于基本SCS来定义(例如,30kHz、60kHz、120kHz、240kHz等)。
如上所述,图3A-3D描述了用于无线通信网络(诸如图1的无线通信网络100)的数据结构的各种示例方面。
在各个方面中,5G帧结构可以是频分双工(FDD)的,其中对于特定的子载波集合(载波系统带宽),子载波集合内的子帧专用于DL或UL之一。5G帧结构也可以是时分双工(TDD)的,其中对于特定的子载波集合(载波系统带宽),子载波集合内的子帧专用于DL和UL二者。在由图3A和3C提供的示例中,假设5G帧结构是TDD的,其中,子帧4被配置有时隙格式28(其中大部分为DL),其中,D是DL,U是UL,以及X是灵活的用于在DL/UL之间使用,以及子帧3被配置有时隙格式34(其中,大部分为UL)。虽然子帧3、4分别被示出具有时隙格式34、28,但是任何特定的子帧可以被配置有各种可用时隙格式0-61中的任何一种。时隙格式0、时隙格式1分别是全DL、全UL。其它的时隙格式2-时隙格式61包括DL、UL和灵活符号的混合。通过接收的时隙格式指示符(SFI),UE被配置有时隙格式(通过DL控制信息(DCI)动态地,或者通过无线电资源控制(RRC)信令半静态地/静态地)。注意,下面的描述也适用于为TDD的5G帧结构。
其它无线通信技术可以具有不同的帧结构和/或不同的信道。帧(10ms)可以被划分为10个相等大小的子帧(1ms)。每个子帧可以包括一个或多个时隙。子帧也可以包括微时隙,其可以包括7、4或2个符号。在一些示例中,取决于时隙配置,每个时隙可以包括7或14个符号。
例如,对于时隙配置0,每个时隙可以包括14个符号,并且对于时隙配置1,每个时隙可以包括7个符号。DL上的符号可以是循环前缀(CP)OFDM(CP-OFDM)符号。UL上的符号可以是CP-OFDM符号(针对高吞吐量场景)或者离散傅里叶变换(DFT)扩展OFDM(DFT-s-OFDM)符号(也被称为单载波频分多址(SC-FDMA)符号)(针对功率受限场景;限于单流传输)。
子帧内的时隙的数量是基于时隙配置和数字方案(numerology)的。对于时隙配置0,不同的数字方案(μ)0至5允许每子帧分别有1、2、4、8、16和32个时隙。对于时隙配置1,不同的数字方案0到2分别允许每子帧有2、4和8个时隙。相应地,对于时隙配置0和数字方案μ,有14个符号/时隙和2μ个时隙/子帧。子载波间隔和符号长度/持续时间是数字方案的函数。子载波间隔可以等于2μ×15kHz,其中,μ是数字方案0到5。这样,数字方案μ=0具有15kHz的子载波间隔,并且数字方案μ=5具有480kHz的子载波间隔。符号长度/持续时间与子载波间隔成反比。图3A-3D提供了每时隙具有14个符号的时隙配置0和每子帧具有4个时隙的数字方案μ=2的示例。时隙持续时间是0.25ms,子载波间隔是60kHz,以及符号持续时间约为16.67μs。
可以使用资源网格来表示帧结构。每个时隙包括资源块(RB)(也被称为物理RB(PRB)),其延伸12个连续的子载波。资源网格被划分为多个资源元素(RE)。由每个RE携带的比特的数量取决于调制方案。
如图3A中所示的,RE中的一些RE携带用于UE(例如,图1和2的UE 104)的参考(导频)信号(RS)。RS可以包括解调RS(DM-RS)(对于一种特定的配置,被指示为Rx,其中100x是端口号,但其它DM-RS配置也是可能的)和用于UE处的信道估计的信道状态信息参考信号(CSI-RS)。RS还可以包括波束测量RS(BRS)、波束细化RS(BRRS)和相位跟踪RS(PT-RS)。
图3B示出帧的子帧内的各种DL信道的示例。物理下行链路控制信道(PDCCH)在一个或多个控制信道元素(CCE)内携带DCI,每个CCE包括九个RE组(REG),每个REG包括OFDM符号中的四个连续RE。
主同步信号(PSS)可以在帧中的特定子帧的符号2内。PSS由UE(例如,图1和2的104)用于确定子帧/符号定时和物理层标识。
辅同步信号(SSS)可以在帧的特定子帧的符号4内。SSS被UE用来确定物理层小区标识组号和无线电帧定时。
基于物理层标识和物理层小区标识组号,UE可以确定物理小区标识符(PCI)。基于PCI,UE可以确定上述DM-RS的位置。携带主信息块(MIB)的物理广播信道(PBCH)可以与PSS和SSS被逻辑地成组以形成同步信号(SS)/PBCH块。MIB提供系统带宽中的RB的数量和系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、未通过PBCH发送的广播系统信息(诸如系统信息块(SIB))和寻呼消息。
如图3C中所示的,RE中的一些RE携带用于基站处的信道估计的DM-RS(对于一个特定配置,被指示为R,但其它DM-RS配置是可能的)。UE可以发送针对物理上行链路控制信道(PUCCH)的DM-RS和针对物理上行链路共享信道(PUSCH)的DM-RS。PUSCH DM-RS可以在PUSCH的前一个或两个符号中发送。取决于发送了短PUCCH还是长PUCCH并且取决于使用的特定PUCCH格式,可以在不同的配置中发送PUCCH DM-RS。UE可以发送探测参考信号(SRS)。SRS可以是在子帧的最后的符号中发送的。SRS可以具有梳状结构,以及UE可以在梳状中的一个梳状中发送SRS。SRS可以由基站用于信道质量估计以实现在UL上的与频率有关的调度。
图3D示出帧的子帧内的各种UL信道的示例。可以如在一个配置中指示地来定位PUCCH。PUCCH携带上行链路控制信息(UCI),诸如调度请求、信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)和HARQ ACK/NACK反馈。PUSCH携带数据,并且可以另外用于携带缓存状态报告(BSR)、功率余量报告(PHR)和/或UCI。
其它注意事项
前面的描述提供了在通信系统中针对不同类型的用户设备(包括降低能力的用户设备)配置机器学习模型的示例。提供前面的描述是为了使本领域的任何技术人员能够实施本文描述的各个方面。本文讨论的示例不限制在权利要求中阐述的范围、适用性或方面。对这些方面的各种修改对于本领域的技术人员来说将是显而易见的,而且本文定义的通用原理也可以被应用于其它方面。例如,在不脱离本公开内容的范围的情况下,可以对所讨论的元素的功能和布置进行改变。各个示例可以视情况省略、替换或增加各个过程或组件。例如,所描述的方法可以以不同于所描述的顺序的顺序来执行,并且各种步骤可以被添加、省略或组合。此外,关于一些示例描述的特征可以被组合到一些其它示例中。例如,使用本文阐述的任何数量的方面,可以实现装置或可以实践方法。另外,本公开内容的范围旨在涵盖使用除了或不同于本文所阐述的本公开内容的各个方面的其它结构、功能、或者结构与功能来实践的这样的装置或方法。应当理解,本文所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。
本文所描述的技术可以用于各种无线通信技术,诸如5G(例如,5G NR)、3GPP长期演进(LTE)、改进的LTE(LTE-A)、码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交频分多址(OFDMA)、单载波频分多址(SC-FDMA)、时分同步码分多址(TD-SCDMA)以及其它网络。术语“网络”和“系统”经常可互换地使用。CDMA网络可以实现诸如通用陆地无线电接入(UTRA)、cdma2000以及其它的无线电技术。UTRA包括宽带CDMA(WCDMA)和CDMA的其它变体。cdma2000涵盖IS-2000、IS-95和IS-856标准。TDMA网络可以实现诸如全球移动通信系统(GSM)之类的无线电技术。OFDMA网络可以实现诸如NR(例如,5G RA)、演进型UTRA(E-UTRA)、超移动宽带(UMB)、IEEE 802.11(Wi-Fi)、IEEE 802.16(WiMAX)、IEEE 802.20、闪速OFDMA等的无线电技术。UTRA和E-UTRA是通用移动电信系统(UMTS)的部分。LTE和LTE-A是使用E-UTRA的UMTS的版本。在来自名称为“第三代合作伙伴计划”(3GPP)的组织的文档中描述了UTRA、E-UTRA、UMTS、LTE、LTE-A和GSM。在来自名称为“第三代合作伙伴计划2”(3GPP2)的组织的文档中描述了cdma2000和UMB。NR是正在开发的新兴的无线通信技术。
结合本公开内容所描述的各种说明性的逻辑框、模块和电路可以是利用被设计为执行本文所描述的功能的通用处理器、DSP、ASIC、现场可编程门阵列(FPGA)或其它可编程逻辑器件(PLD)、分立门或晶体管逻辑、分立硬件组件、或者其任何组合来实现或执行的。通用处理器可以是微处理器,但是在替代方案中,处理器可以是任何商业上可用的处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、结合DSP核的一个或多个微处理器、片上系统(SoC)、或任何其它这样的配置。
如果用硬件来实现,则示例硬件配置可以包括无线节点中的处理系统。可以利用总线架构来实现该处理系统。取决于处理系统的具体应用和整体设计约束,总线可以包括任何数量的互连总线和桥接器。总线可以将各种电路(包括处理器、机器可读介质和总线接口)链接在一起。总线接口可以用于将网络适配器等经由总线连接到处理系统。网络适配器可以用于实现PHY层的信号处理功能。在用户设备(参见图1)的情况下,用户接口(例如,键盘、显示器、鼠标、操纵杆、触摸屏、生物计量传感器、接近度传感器、发光元件等)也可以连接到总线上。总线还可以链接各种其它电路,诸如定时源、外设、电压调节器、电源管理电路等,这些电路在本领域中是公知的,并且因此将不进行任何进一步的描述。处理器可以是用一个或多个通用处理器和/或特殊用途处理器来实现的。示例包括微处理器、微控制器、DSP处理器和其它可以执行软件的电路系统。本领域技术人员将认识到:取决于特定应用和施加在整个系统上的总体设计约束,如何最好地实现针对处理系统的所描述的功能。
如果用软件来实现,则可以将功能作为一个或多个指令或代码被存储在计算机可读介质上或通过其来发送。无论是被称为软件、固件、中间件、微代码、硬件描述语言还是其它术语,软件都应当被广泛地解释为意指指令、数据或其任何组合。计算机可读介质包括计算机存储介质和通信介质两者,通信介质包括促进计算机程序从一个地方向另一个地方传输的任何介质。处理器可以负责管理总线和一般处理,包括对存储在机器可读存储介质上的软件模块的执行。计算机可读存储介质可以耦合到处理器,使得处理器可以从该存储介质读取信息以及向该存储介质写入信息。在替代方案中,存储介质可以是处理器的组成部分。通过示例,机器可读介质可以包括传输线、由数据调制的载波波形、和/或与无线节点分开的其上存储有指令的计算机可读存储介质,所有的这些可以是由处理器通过总线接口来访问的。替代地或另外,机器可读介质或其任何部分可以整合到处理器中,例如在具有高速缓冲和/或通用寄存器文件的情况下。作为示例,机器可读存储介质的示例可以包括RAM(随机存取存储器)、闪存、ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、寄存器、磁盘、光盘、硬驱动器、或任何其它合适的存储介质、或其任何组合。机器可读介质可以被体现在计算机程序产品中。
软件模块可以包括单个指令或许多指令,并且可以被分布在若干不同的代码段上、在不同的程序当中以及跨越多个存储介质。计算机可读介质可以包括多个软件模块。软件模块包括指令,指令在由诸如处理器的装置执行时,使处理系统执行各个功能。软件模块可以包括发送模块和接收模块。每个软件模块可以驻留在单个存储设备中或跨越多个存储设备分布。通过示例,当触发事件发生时,软件模块可以从硬盘驱动器被加载到RAM中。在对软件模块的执行期间,处理器可以将指令中的一些指令加载到高速缓存中以提高访问速度。然后,可以将一个或多个高速缓冲行加载到通用寄存器文件中以供处理器执行。当在下文提及软件模块的功能时,将理解的是,这样的功能是由处理器在执行来自该软件模块的指令时实现的。
如本文所使用的,提到项目列表“中的至少一项”的短语指代这些项目的任何组合,包括单一成员。作为示例,“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c、以及与成倍的相同元素的任何组合(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或者a、b和c的任何其它排序)。
如本文所使用的,术语“确定”涵盖各种各样的动作。例如,“确定”可以包括计算、运算、处理、导出、调查、查找(例如,在表格、数据库或另一数据结构中查找)、查明等。此外,“确定”可以包括接收(例如,接收信息)、存取(例如,存取存储器中的数据)等。此外,“确定”可以包括解析、选择、选定、建立等。
本文所公开的方法包括用于实现各方法的一个或多个步骤或动作。方法步骤和/或动作可以彼此互换而不偏离权利要求的范围。换言之,除非指定了步骤或动作的特定顺序,否则在不脱离权利要求的范围的情况下,可以修改特定步骤和/或动作的顺序和/或使用。此外,上文所描述的方法的各种操作可以由能够执行对应功能的任何适当的单元来执行。单元可以包括各种硬件和/或软件组件和/或模块,包括但不限于电路、专用集成电路(ASIC)或处理器。通常,在存在附图中示出的操作的情况下,那些操作可以具有带有类似编号的对应的配对的功能单元组件。
所附权利要求不旨在被限于本文示出的各方面,而是被赋予与权利要求的文字相一致的全部范围。在权利要求内,除非明确地声明如此,否则对单数形式的元素的提及不旨在意指“一个且仅一个”,而是“一个或多个”。除非另有特别说明,否则术语“一些”指代一个或多个。任何权利要求元素都不应当根据美国专利法第112条第6款的规定来解释,除非使用短语“用于......的单元”来明确地记载该元素,或者在方法权利要求的情况下,使用短语“用于......的步骤”来记载该元素。对于贯穿本公开内容描述的各个方面的元素的所有结构和功能的等同通过引用的方式明确地并入本文并且旨在被权利要求所涵盖,所有结构和功能的等同对于本领域的普通技术人员来说是已知的或稍后将是已知的。此外,本文所公开的任何内容都不旨在被奉献给公众,无论这样的公开内容是否在权利要求中明确地记载。
Claims (29)
1.一种方法,包括:
在用户设备处从网络接收控制信息,其中:
所述控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,
所述第一类型的机器学习模型被配置用于第一类型的用户设备,并且
所述第二类型的机器学习模型被配置用于第二类型的用户设备;
基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备,来确定应用所述第一配置或所述第二配置中的至少一项;以及
基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收第一机器学习模型。
2.根据权利要求1所述的方法,其中,所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作。
3.根据权利要求2所述的方法,其中,所述第一类型的用户设备是降低能力的用户设备,并且所述第二类型的用户设备是常规能力的用户设备。
4.根据权利要求3所述的方法,其中:
所述第一配置调度第一经调度的下行链路消息,并且
所述第二配置调度第二经调度的下行链路消息。
5.根据权利要求3所述的方法,其中:
所述用户设备是所述第一类型的用户设备,
基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备,来确定应用所述第一配置或所述第二配置中的至少一项包括:确定应用所述第一配置,并且
基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收所述第一机器学习模型包括:根据所述第一配置来接收所述第一机器学习模型。
6.根据权利要求3所述的方法,其中:
所述用户设备是所述第二类型的用户设备,
基于所述用户设备是所述第一类型的用户设备还是所述第二类型的用户设备,来确定应用所述第一配置或所述第二配置中的至少一项包括:确定应用所述第二配置,并且
基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收所述第一机器学习模型包括:根据所述第二配置来接收所述第一机器学习模型。
7.根据权利要求6所述的方法,进一步包括:
确定应用所述第一配置;以及
根据所述第一配置从所述网络接收第二机器学习模型。
8.根据权利要求7所述的方法,进一步包括:基于所述用户设备的至少一个条件来确定应用所述第一机器学习模型或所述第二机器学习模型中的一项。
9.根据权利要求8所述的方法,其中,所述用户设备的所述至少一个条件包括以下各项中的一项或多项:
所述用户设备的电池状态;
所述用户设备的功率状态;
所述用户设备的无线电资源控制(RRC)状态;
所述用户设备的活动带宽部分;
所述用户设备与所述网络之间的信道条件;或
所述用户设备的移动性状态。
10.根据权利要求1所述的方法,其中,基于所述确定来根据所述第一配置或所述第二配置中的至少一项从所述网络接收所述第一机器学习模型包括:经由一个或多个系统信息块(SIB)来接收所述第一机器学习模型。
11.根据权利要求1所述的方法,其中,所述控制信息包括经由物理下行链路控制信道(PDCCH)来接收的下行链路控制信息(DCI)。
12.根据权利要求11所述的方法,其中,所述DCI包括被配置为指示用于接收所述第一机器学习模型的经调度的下行链路消息的位图或码点。
13.根据权利要求11所述的方法,其中,所述DCI包括经由小区特定的或用户设备组特定的无线电网络临时标识符(RNTI)加扰的循环冗余校验(CRC)。
14.根据权利要求1所述的方法,其中,所述控制信息包括一个或多个介质访问控制(MAC)控制元素(CE)。
15.根据权利要求14所述的方法,其中,用于调度所述一个或多个MAC CE的下行链路控制信息(DCI)包括经由小区特定的或用户设备组特定的无线电网络临时标识符(RNTI)加扰的循环冗余校验(CRC)。
16.根据权利要求1所述的方法,其中,所述控制信息包括无线电资源控制(RRC)消息。
17.根据权利要求16所述的方法,其中,用于调度所述RRC消息的下行链路控制信息(DCI)包括经由小区特定的或用户设备组特定的无线电网络临时标识符(RNTI)加扰的循环冗余校验(CRC)。
18.根据权利要求1所述的方法,其中,所述控制信息包括一个或多个系统信息块(SIB)。
19.根据权利要求18所述的方法,其中,用于调度所述一个或多个SIB的下行链路控制信息(DCI)包括经由小区特定的或用户设备组特定的无线电网络临时标识符(RNTI)加扰的循环冗余校验(CRC)。
20.一种方法,包括:
从网络向用户设备发送控制信息,其中:
所述控制信息指示用于接收第一类型的机器学习模型的第一配置和用于接收第二类型的机器学习模型的第二配置,
所述第一类型的机器学习模型被配置用于第一类型的用户设备,并且
所述第二类型的机器学习模型被配置用于第二类型的用户设备;
根据所述第一配置发送所述第一类型的第一机器学习模型;以及
根据所述第二配置发送所述第二类型的第二机器学习模型。
21.根据权利要求20所述的方法,其中,所述第一类型的机器学习模型导致比所述第二类型的机器学习模型较低复杂度的机器学习操作。
22.根据权利要求21所述的方法,其中,所述第一类型的用户设备是降低能力的用户设备,并且所述第二类型的用户设备是常规能力的用户设备。
23.根据权利要求22所述的方法,其中:
所述第一配置调度第一经调度的下行链路消息,并且
所述第二配置调度第二经调度的下行链路消息。
24.根据权利要求20所述的方法,其中,根据所述第一配置发送所述第一类型的所述第一机器学习模型包括:经由一个或多个系统信息块(SIB)来发送所述第一机器学习模型。
25.根据权利要求20所述的方法,其中,所述控制信息包括以下各项中的至少一项:下行链路控制信息(DCI)、一个或多个介质访问控制(MAC)控制元素(CE)、无线电资源控制(RRC)消息、或一个或多个系统信息块(SIB)。
26.根据权利要求25所述的方法,其中,所述控制信息包括被配置为指示用于接收所述第一机器学习模型的经调度的下行链路消息的位图或码点。
27.根据权利要求25所述的方法,其中,所述控制信息包括经由小区特定的或用户设备组特定的无线电网络临时标识符(RNTI)加扰的循环冗余校验(CRC)。
28.一种处理系统,包括:包括计算机可执行指令的存储器;以及一个或多个处理器,其被配置为执行所述计算机可执行指令并且使所述处理系统执行根据权利要求1-27中任一项所述的方法。
29.一种包括计算机可执行指令的非暂时性计算机可读介质,所述计算机可执行指令在由处理系统的一个或多个处理器执行时使所述处理系统执行根据权利要求1-27中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/108576 WO2023004565A1 (en) | 2021-07-27 | 2021-07-27 | Machine learning model configuration for reduced capability user equipment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117652168A true CN117652168A (zh) | 2024-03-05 |
Family
ID=85086221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180100629.1A Pending CN117652168A (zh) | 2021-07-27 | 2021-07-27 | 用于降低能力的用户设备的机器学习模型配置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4378186A1 (zh) |
CN (1) | CN117652168A (zh) |
WO (1) | WO2023004565A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9144065B2 (en) * | 2011-12-16 | 2015-09-22 | Samsung Electronics Co., Ltd | Communication support for low capability devices |
US10039088B2 (en) * | 2012-01-26 | 2018-07-31 | Samsung Electronics Co., Ltd. | Method and apparatus for scheduling communication for low capability devices |
CN112106395B (zh) * | 2020-04-21 | 2023-09-26 | 北京小米移动软件有限公司 | 用户设备能力上报方法、设备及计算机可读存储介质 |
-
2021
- 2021-07-27 EP EP21951182.1A patent/EP4378186A1/en active Pending
- 2021-07-27 WO PCT/CN2021/108576 patent/WO2023004565A1/en active Application Filing
- 2021-07-27 CN CN202180100629.1A patent/CN117652168A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4378186A1 (en) | 2024-06-05 |
WO2023004565A1 (en) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220400373A1 (en) | Machine learning model configuration in wireless networks | |
US11671925B2 (en) | Power control parameters for multi-TRP PUSCH repetition | |
US20220217705A1 (en) | Ue capability information for a unified tci framework | |
US20230224911A1 (en) | Rules for multi-slot physical downlink control channel (pdcch) monitoring in common search space sets | |
US20230142115A1 (en) | Pdcch monitoring adaptation and pdcch repetition | |
US20220330061A1 (en) | Frequency tracking and timing tracking using wideband reference signal(s) | |
WO2023137686A1 (en) | Adaptive channel state information (csi) report deactivation for beam prediction | |
CN117957784A (zh) | 具有带宽部分(bwp)跳变的直流位置 | |
EP4388699A1 (en) | Pucch carrier switch | |
EP4320795A1 (en) | Frequency tracking and timing tracking using wideband reference signal(s) | |
WO2023004565A1 (en) | Machine learning model configuration for reduced capability user equipment | |
WO2023065060A1 (en) | Reduced capability machine learning with assistance | |
WO2023184465A1 (en) | Ue discovery for ue cooperation | |
US11778652B2 (en) | Multi component carrier (CC) scheduler | |
WO2023092321A1 (en) | User equipment capability number defined in machine learning limit | |
WO2023097499A1 (en) | Discovery signal broadcasting for a non-stationary relay | |
WO2023077399A1 (en) | Ue capability for supplemental uplink (sul) transmission | |
US20230136338A1 (en) | Multi-dci based physical uplink shared channel (pusch) with repetition | |
WO2023151006A1 (en) | Updating system information for reduced capability user equipment | |
US20220377772A1 (en) | Blind decode and control channel element counting for a common search space on a secondary cell | |
WO2023070348A1 (en) | Configuring a user equipment with machine learning models based on compute resource limits | |
WO2023150959A1 (en) | Discontinuous reception (drx) implementation based on user equipment (ue) scenario | |
WO2023028930A1 (en) | Multi physical uplink shared channel (pusch) scheduling for multiple transmission reception points (m-trp) | |
WO2023010231A1 (en) | Channel occupancy time (cot) determination for single dci-based multiple uplink transmissions | |
WO2024044877A1 (en) | Techniques to facilitate a default unified tci for dynamic trp switching in multiple trp operation |
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 |