CN117881977A - Ml模型类别分组配置 - Google Patents
Ml模型类别分组配置 Download PDFInfo
- Publication number
- CN117881977A CN117881977A CN202180101360.9A CN202180101360A CN117881977A CN 117881977 A CN117881977 A CN 117881977A CN 202180101360 A CN202180101360 A CN 202180101360A CN 117881977 A CN117881977 A CN 117881977A
- Authority
- CN
- China
- Prior art keywords
- models
- bmg
- smg
- model
- assigned
- 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
- 238000000034 method Methods 0.000 claims abstract description 158
- 238000010801 machine learning Methods 0.000 claims description 635
- 238000004891 communication Methods 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 48
- 238000004590 computer program Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 40
- 210000004027 cell Anatomy 0.000 description 37
- 238000013528 artificial neural network Methods 0.000 description 23
- 230000005540 biological transmission Effects 0.000 description 17
- 230000001413 cellular effect Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 11
- 230000011664 signaling Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 239000000969 carrier Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000006837 decompression Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012913 prioritisation Methods 0.000 description 3
- 102100036409 Activated CDC42 kinase 1 Human genes 0.000 description 2
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 2
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 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 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/01—Determining conditions which influence positioning, e.g. radio environment, state of motion or energy consumption
- G01S5/012—Identifying whether indoors or outdoors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- 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
- G06N3/09—Supervised 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
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated 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
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了用于ML模型分组技术的系统、设备、装置和方法,包括编码在存储介质上的计算机程序。UE可接收用于一个或多个ML模型的配置,该配置可基于该UE的能力。该配置可与该UE的至少一个规程的任务或条件中的至少一者相关联。可在该UE处基于该UE的该至少一个规程的该条件来切换该一个或多个ML模型。该UE可将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于该UE的该至少一个规程的该任务或该条件中的该至少一者来在该一个或多个ML模型之间切换。
Description
背景技术
本公开整体涉及通信系统,并且更具体地涉及机器学习(ML)模型分组技术。
无线通信系统被广泛部署以提供各种电信服务,例如电话、视频、数据、消息接发和广播。典型的无线通信系统可采用能够通过共享可用系统资源来支持与多个用户通信的多址技术。这种多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统和时分同步码分多址(TD-SCDMA)系统。
已经在各种电信标准中采用了这些多址技术以提供使得不同的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共同协议。示例电信标准是5G新无线电(NR)。5G NR是第三代合作伙伴项目(3GPP)颁布的持续移动宽带演进的一部分,以满足与等待时间、可靠性、安全性、可缩放性(例如,与物联网(IoT))和其他要求相关联的新要求。5GNR包括与增强型移动宽带(eMBB)、大规模机器型通信(mMTC)和超可靠低等待时间通信(URLLC)相关联的服务。5G NR的某些方面可能基于4G长期演进(LTE)标准。需要进一步改进5G NR技术。这些提高也可适用于其他多址技术和采用这些技术的电信标准。
简要概述
下面给出了一个或多个方面的简要概述,以提供对这些方面的基本理解。该概述不是所有构想到的方面的详尽综览,并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一目的是以简化形式给出一个或多个方面的一些概念作为稍后给出的更详细描述之序言。
在本公开的一个方面,提供了一种在用户装备(UE)处进行无线通信的方法。该方法包括:接收用于一个或多个机器学习(ML)模型的配置,该配置与UE的至少一个规程的任务或条件中的至少一者相关联;以及将该一个或多个ML模型分配给基线模型组(BMG)或特有模型组(SMG)中的至少一者,以基于UE的该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种用于在UE处进行无线通信的设备。该设备包括用于执行以下操作的装置:接收用于一个或多个ML模型的配置,该配置与UE的至少一个规程的任务或条件中的至少一者相关联;和用于执行以下操作的构件:将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于UE的该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种用于在UE处进行无线通信的装置。该装置包括存储器和耦合到该存储器的至少一个处理器,该存储器和该至少一个处理器被配置为:接收用于一个或多个ML模型的配置,该配置与UE的至少一个规程的任务或条件中的至少一者相关联;以及将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于UE的该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种在UE处的非暂态计算机可读存储介质。该非暂态计算机可读存储介质被配置为:接收用于一个或多个ML模型的配置,该配置与UE的至少一个规程的任务或条件中的至少一者相关联;以及将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于UE的该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种用于在基站处进行无线通信的方法。该方法包括:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;以及发射用于该一个或多个ML模型的配置,该配置与至少一个规程的任务或条件中的至少一者相关联,该配置用于基于该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种用于在基站处进行无线通信的设备。该设备包括用于执行以下操作的装置:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;和用于执行以下操作的装置:发射用于该一个或多个ML模型的配置,该配置与至少一个规程的任务或条件中的至少一者相关联,该配置用于基于该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种用于在基站处进行无线通信的装置。该装置包括存储器和耦合到该存储器的至少一个处理器,该存储器和该至少一个处理器被配置为:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;以及发射用于该一个或多个ML模型的配置,该配置与至少一个规程的任务或条件中的至少一者相关联,该配置用于基于该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
在本公开的另一方面,提供了一种在基站处的非暂态计算机可读存储介质。该非暂态计算机可读存储介质被配置为:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;以及发射用于该一个或多个ML模型的配置,该配置与至少一个规程的任务或条件中的至少一者相关联,该配置用于基于该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。
为了达成前述及相关目的,这一个或多个方面包括在下文充分描述并在权利要求中特别指出的特征。以下描述和附图详细地阐述了这一个或多个方面的某些解说性特征。但是,这些特征仅仅是指示了可采用各种方面的原理的各种方式中的若干种,并且本描述旨在涵盖所有此类方面及其等效方案。
附图简述
图1是示出无线通信系统和接入网的示例的图示。
图2A是示出根据本公开的各个方面的第一帧的示例的图示。
图2B是示出根据本公开的各个方面的子帧内的下行链路(DL)信道的示例的图示。
图2C是示出根据本公开的各个方面的第二帧的示例的图示。
图2D是示出根据本公开的各个方面的子帧内的上行链路(UL)信道的示例的图示。
图3是示出接入网中的基站和用户装备(UE)的示例的图示。
图4示出了包括被配置用于确定与第二设备的通信的神经网络的UE的图示。
图5示出了包括不同类型的机器学习(ML)模型结构的示例图示。
图6A是示出针对基线模型组(BMG)的ML模型的分配的图示。
图6B是示出针对特有/专用模型组(SMG)的ML模型的分配的图示。
图7A是示出将BMG中的ML模型子分配(sub-allocate)到ML模型子组中的图示。
图7B是示出将SMG中的ML模型子分配到ML模型子组中的图示。
图8A是示出用于BMG的联合ML模型配置格式和单独ML模型配置格式的图示。
图8B是示出用于SMG的联合ML模型配置格式和单独ML模型配置格式的图示。
图9A至图9B是示出BMG的基线模型和SMG的一个或多个特有/专用模型之间的关联的图示。
图10是示出UE和网络之间的通信的呼叫流程图。
图11是示出UE和基站之间的通信的呼叫流程图。
图12是在UE处进行无线通信的方法的流程图。
图13是在UE处进行无线通信的方法的流程图。
图14是在基站处进行无线通信的方法的流程图。
图15是在基站处进行无线通信的方法的流程图。
图16是示出示例设备的硬件实现的示例的图示。
图17是示出示例设备的硬件实现的示例的图示。
详细描述
以下结合附图阐述的详细描述旨在作为各种配置的描述,而无意表示可实践本文中所描述的概念的仅有配置。本详细描述包括具体细节以提供对各种概念的透彻理解。然而,对于本领域技术人员将显而易见的是,没有这些具体细节也可实践这些概念。在一些实例中,以框图形式示出众所周知的结构和组件以避免湮没此类概念。
现在将参照各种装置和方法来给出电信系统的几个方面。这些装置和方法将在以下详细描述中进行描述并在附图中由各种框、组件、电路、过程、算法等(统称为″元素″)来解说。这些元素可使用电子硬件、计算机软件、或其任意组合来实现。此类元素是实现成硬件还是软件取决于具体应用和加诸于整体系统上的设计约束。
举例而言,元素、或元素的任何部分、或者元素的任意组合可被实现为包括一个或多个处理器的″处理系统″。处理器的示例包括微处理器、微控制器、图形处理单元(GPU)、中央处理器(CPU)、应用处理器、数字信号处理器(DSP)、精简指令集计算(RISC)处理器、片上系统(SoC)、基带处理器、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立硬件电路和其他配置为执行贯穿本公开描述的各种功能的合适硬件。在处理系统中的一个或多个处理器可以执行软件。软件应当被宽泛地解释成意为指令、指令集、代码、代码段、程序代码、程序、子程序、软件组件、应用、软件应用、软件包、例程、子例程、对象、可执行件、执行的线程、规程、函数等,无论其是用软件、固件、中间件、微代码、硬件描述语言、还是其他术语来述及皆是如此。
相应地,在一个或多个示例中,所描述的功能可以在硬件、软件或者其任何组合中实现。如果在软件中实现,则各功能可作为一条或多条指令或代码存储或编码在计算机可读介质上。计算机可读介质包括计算机存储介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限制,此类计算机可读介质可包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、光盘存储、磁盘存储、其他磁性存储设备、这些类型的计算机可读介质的组合、或能够被用于存储可被计算机访问的指令或数据结构形式的计算机可执行代码的任何其他介质。
虽然在本申请中通过对一些示例的解说来描述各方面和实现,但本领域技术人员将理解,在许多不同布置和场景中可产生附加的实现和用例。本文中所描述的各方面可跨许多不同的平台类型、设备、系统、形状、大小、以及封装布置来实现。例如,实现和/或用途可以经由集成芯片实现和其他基于非模块组件的设备(例如,终端用户设备、交通工具、通信设备、计算设备、工业装备、零售/购买设备、医疗设备、人工智能(AI)使能的设备等)来产生。虽然一些示例可以是或可以不是专门针对各用例或应用的,但可出现所描述方面的广泛适用性。。各实现的范围可从芯片级或模块组件至非模块、非芯片级实现,并进一步至纳入所描述方面中的一个或多个方面的聚集的、分布式或原始装备制造商(OEM)设备或系统。在一些实际环境中,纳入所描述的各方面和特征的设备还可包括用于实现和实践所要求保护并描述的各方面的附加组件和特征。例如,对无线信号的发射和接收必然包括用于模拟和数字目的的数个组件(例如,包括天线、RF链、功率放大器、调制器、缓冲器、处理器、交织器、加法器/累加器等的硬件部件)。本文中所描述的各方面旨在可以在各种大小、形状和构成的各种各样的设备、芯片级组件、系统、分布式布置、聚集的或分解式组件(例如,与用户装备(UE)和/或基站相关联)、终端用户设备等等中实践。
机器学习(ML)技术可基于一种或多种计算机算法,这些计算机算法被训练成基于所存储的训练数据和/或一个或多个先前执行来自动提供用于处理操作的改进的输出。ML模型是指被训练成辨识(例如,与所存储的训练数据和/或一个或多个先前执行相关联的某些类型的模式)以学习/预测用于处理操作的改进的输出的算法。在第一设备处训练的ML模型可被配置给第二设备。例如,网络可向UE发射ML模型配置,以利用在网络处训练的ML模型来配置UE,使得UE可在从网络接收到ML模型配置之后执行ML模型。
ML技术可在无线通信中使用。本文所给出的各方面包括可被配置给UE以用于ML推断规程的多个ML模型。″ML推断″是指将实时数据输入到ML模型中以提供可供与ML模型相关联的设备据此采取动作的针对实时数据的输出。″规程″是指由设备(诸如UE或基站)执行的任何动作、功能、操作等。因此,″ML推断规程″是指由设备与ML推断相关联地执行的动作、功能、操作等。ML模型可对应于UE的不同应用功能、UE能力、任务/条件等。例如,UE的条件可对应于UE定位规程,并且UE的任务可对应于室内定位或室外定位。不同ML模型可具有不同性能等级和不同复杂度,使得UE可针对相同任务/条件执行不同ML模型中的一些ML模型。例如,如果多个ML模型被配置给UE以用于定位任务,则UE可选择该多个ML模型中的一者来执行定位任务。
所选择的ML模型可以是通用模型,通用模型也可被称为″基线″模型,其相比于可专用于单个任务的特有/专用模型而言可以更稳健并且针对更多任务/条件来执行。即,特有模型(也可被称为″专用″模型)可专用于UE的特定任务。例如,可针对室内定位任务和室外定位任务两者执行基线模型,而可针对室内定位任务执行第一特有/专用模型并且可针对室外定位任务执行第二特有/专用模型。虽然特有/专用模型可针对特定任务提供提高的性能等级,但特有/专用模型的总体复杂度可高于基线模型的总体复杂度。
将该多个ML模型配置用于任务/条件可与用于ML推断规程的增加的信令开销相关联。例如,如果针对个别任务执行特有/专用模型,则UE可在该多个ML模型之间动态地切换以适配不同任务。因此,可将ML模型分配到针对条件或任务的第一组(例如,针对特有/专用模型)中,或者将ML模型分配到针对条件的第二组(例如,针对基线模型)中,以减少与ML模型切换相关联的信令开销。例如,可基于一个或多个协议将该多个ML模型分配到包括基线模型的基线模型组(BMG)或包括特有/专用模型的特有/专用模型组(SMG)中。
基于UE的不同任务/条件在ML模型组之间切换可允许在维持模型复杂度的同时提高UE的性能。在一些示例中,BMG和SMG可被进一步分配到子组中以进一步提高UE处的性能。用于将ML模型分配到BMG或SMG中的该一个或多个协议可对应于ML模型的一般化性能等级、ML模型复杂度、UE的默认/初始设置、ML模型是小区特有的还是UE特有的,以及/或者ML模型的优先级水平。BMG的基线模型还可基于用于BMG和SMG的联合配置格式或用于BMG和SMG的单独配置格式而与SMG的特有/专用模型相关联。
图1是示出无线通信系统和接入网的示例的图100。参考图1,在某些方面,UE 104可包括模型分组组件198,该模型分组组件198被配置为:接收用于一个或多个ML模型的配置,该配置与UE的至少一个规程的任务或条件中的至少一者相关联;以及将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于UE的该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。在某些方面,基站180可包括模型配置组件199,该模型配置组件199被配置为:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;以及发射用于该一个或多个ML模型的配置,该配置与至少一个规程的任务或条件中的至少一者相关联,该配置用于基于该至少一个规程的任务或条件中的该至少一者来在该一个或多个ML模型之间切换。虽然以下描述可能聚焦于5G NR,但是本文描述的概念可能可适用于其他类似的领域,诸如LTE、LTE-A、CDMA、GSM和其他无线技术。
图1中的无线通信系统(其还被称为无线广域网(WWAN))被示出为包括基站102、UE104、演进分组核心(EPC)160以及另一个核心网190(例如,5G核心(5GC))。基站102可以包括宏小区(高功率蜂窝式基站)和/或小型小区(低功率蜂窝式基站)。宏小区包括基站。小型小区包括毫微微小区、微微小区和微小区。
被配置用于4G LTE的基站102(其被统称为演进型通用移动电信系统(UMTS)地面无线电接入网(E-UTRAN))可以通过第一回程链路132(例如,S1接口),与EPC 160连接。被配置用于5G NR的基站102(其被统称为下一代RAN(NG-RAN))可以通过第二回程链路184与核心网190对接。除了其他功能,基站102还可以执行下面功能中的一项或多项: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、双连通性)、小区间干扰协调、连接建立和释放、负载平衡、非接入阶层(NAS)消息的分发、NAS节点选择、同步、无线电接入网(RAN)共享、多媒体广播多播服务(MBMS)、订户和装备跟踪、RAN信息管理(RIM)、寻呼、定位、以及对告警消息的传送。基站102可以通过第三回程链路134(例如,X2接口)彼此直接或间接通信(例如,通过EPC 160或核心网190)。第一回程链路132、第二回程链路184以及第三回程链路134可以是有线的或无线的。
基站102可以与UE 104进行无线通信。每个基站102可以为相应的地理覆盖区域110提供通信覆盖。可能存在重叠的地理覆盖区域110。例如,小型小区102’可以具有与一个或多个宏基站102的覆盖区域110重叠的覆盖区域110’。包括小型小区和宏小区两者的网络可被称为异构网络。异构网络还可以包括家庭演进型B节点(eNB)(HeNB),其可以向被称为封闭用户群(CSG)的受限制群组提供服务。基站102和UE 104之间的通信链路120可以包括从UE 104到基站102的上行链路(UL)(也被称为反向链路)传输和/或从基站102到UE 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,包括空间复用、波束成形和/或发射分集。通信链路可以通过一个或多个载波。对于在每个方向上用于传输的总共至多达Yx MHz(x个分量载波)的载波聚集中分配的每个载波,基站102/UE 104可使用至多达YMHz(例如,5MHz、10MHz、15MHz、20MHz、100MHz、400MHz等)带宽的频谱。载波可以或可以不彼此相邻。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)并且辅分量载波可以被称为辅小区(SCell)。
某些UE 104可使用设备到设备(D2D)通信链路158来彼此通信。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链路信道,例如,物理侧链路广播信道(PSBCH)、物理侧链路发现信道(PSDCH)、物理侧链路共享信道(PSSCH)以及物理侧链路控制信道(PSCCH)。D2D通信可以通过各种各样的无线D2D通信系统,诸如例如,WiMedia、蓝牙、ZigBee、基于电气与电子工程师协会(IEEE)802.11标准的Wi-Fi、LTE或者NR。
无线通信系统还可以包括Wi-Fi接入点(AP)150,其经由通信链路154与Wi-Fi站(STA)152通信,例如,在5GHz未许可频谱等中。当在非许可频谱中通信时,STA 152/AP 150可以在通信之前执行空闲信道评估(CCA)以确定信道是否可用。
小型小区102’可以在有执照和/或无执照频谱中操作。当在未许可频谱中操作时,小型小区102’可以采用NR以及使用与由Wi-Fi AP 150所使用的相同的无执照频谱(例如,5GHz等)。在无执照频谱中采用NR的小型小区102’可以提高接入网的覆盖范围和/或增加接入网的容量。
电磁频谱通常基于频率/波长而被细分为各种类别、频带、信道等。在5G NR中,两个初始操作频带已经被标识为频率范围指定FR1(410MHz-7.125GHz)和FR2(24.25GHz-52.6GHz)。尽管FR1的一部分大于6GHz,但在各种文档和文章中,FR1通常被称为(可互换地)″亚6GHz″频带。关于FR2,有时发生类似的命名问题,尽管不同于被国际电信联盟(ITU)标识为″毫米波″频带的极高频(EHF)频带(30GHz-300GHz),但是FR2在文档和文章中通常(可互换地)被称为″毫米波″频带。
FR1与FR2之间的频率通常被称为中频带频率。最近的5G NR研究已将用于这些中频带频率的操作频带标识为频率范围指定FR3(7.125GHz-24.25GHz)。落在FR3内的频带可以继承FR1特性和/或FR2特性,因此可以有效地将FR1和/或FR2的特征扩展到中频带频率。此外,当前正在探索更高频带以将5G NR操作扩展到52.6GHz以上。例如,三个更高的操作频带已经被标识为频率范围指定FR4a或FR4-1(52.6GHz-71GHz)、FR4(52.6GHz-114.25GHz)和FR5(114.25GHz-300GHz)。这些较高频带中的每一者都落在EHF频带内。
考虑到以上各方面,除非特别另外声明,否则应理解,如果在本文中使用,术语″低于6GHz″等可广义地表示可小于6GHz、可在FR1内、或可包括中频带频率的频率。此外,除非另有具体说明,否则应当理解的是,如果在本文中使用,术语″毫米波″等可以广义地表示可以包括中频带频率、可以在FR2、FR4、FR4-a或FR4-1和/或FR5内、或可以在EHF频带内的频率。
基站102(无论是小型小区102’还是大型小区(例如,宏基站))可以包括和/或被称为eNB、gNodeB(gNB)或另一类型的基站。一些基站(诸如,gNB 180)可以在传统亚6GHz频谱中、在毫米波频率和/或近毫米波频率中操作,以与UE 104进行通信。当gNB 180在毫米波或近毫米波频率中操作时,gNB 180可被称为毫米波基站。毫米波基站180可以利用与UE 104的波束成形182来补偿路径损耗和短射程。基站180和UE 104可以各自包括多个天线(诸如,天线元件、天线面板和/或天线阵列)以促进波束成形。
基站180可以在一个或多个发射方向182’上向UE 104发射经波束成形信号。UE104可以在一个或多个接收方向182”上从基站180接收经波束成形信号。UE 104还可以在一个或多个发射方向上向基站180发射经波束成形信号。基站180可以在一个或多个接收方向上从UE 104接收经波束成形信号。基站180/UE 104可以执行波束训练以确定基站180/UE104中的每一个的最佳接收方向和发射方向。基站180的发射方向和接收方向可以相同或可以不同。UE 104的发射方向和接收方向可以相同或可以不同。
EPC 160可以包括移动性管理实体(MME)162、其他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。所有用户网际协议(IP)分组通过服务网关166传输,该服务网关166自身连接到PDN网关172。PDN网关172提供UE IP地址分配以及其他功能。PDN网关172和BM-SC 170被连接到IP服务176。IP服务176可以包括因特网、内联网、IP多媒体子系统(IMS)、PS流式传输服务和/或其他IP服务。BM-SC 170可以提供用于MBMS用户服务置备和递送的功能。BM-SC 170可以用作内容提供商MBMS传输的进入点,可以用于授权和发起公众陆地移动网(PLMN)内的MBMS承载服务,并可以用于调度MBMS传输。MBMS网关168可用于将MBMS话务分配给属于广播特定服务的多播广播单频网(MBSFN)区域的基站102,并且可负责会话管理(开始/停止)和收集eMBMS相关的计费信息。
核心网190可包括接入和移动性管理功能(AMF)192(其可与来自基站102的第二回程链路184相关联)、其他AMF 193、会话管理功能(SMF)194(其也可与来自基站102的第二回程链路184相关联)和用户面功能(UPF)195。AMF 192可以与统一数据管理(UDM)196通信。AMF 192是用于处理在UE 104和核心网190之间的信令的控制节点。一般而言,AMF 192提供QoS流和会话管理。所有用户互联网协议(IP)分组都通过UPF 195传输。UPF 195提供UE IP地址分配以及其他功能。UPF 195被连接到IP服务197。IP服务197可以包括互联网、内联网、IP多媒体子系统(IMS)、分组交换(PS)流送(PSS)服务和/或其他IP服务。
基站102可包括和/或被称为gNB、B节点、eNB、接入点、基收发机站、无线电基站、无线电收发机、收发机功能、基本服务集(BSS)、扩展服务集(ESS)、发射接收点(TRP)或一些其他合适的术语。基站102可包括用于协议栈的较高层的集中式单元(CU)186和/或用于协议栈的较低层的分布式单元(DU)188。CU 186可与CU控制面(CU-CP)183和CU用户面(CU-UP)185相关联。CU-CP 183可以是托管无线电资源控制(RRC)和分组数据汇聚协议(PDCP)的控制部分的逻辑节点。CU-UP185可以是托管PDCP的用户面部分的逻辑节点。基站102还可包括ML模型管理器187,该ML模型管理器187可授权UE 104从网络下载一个或多个ML模型。在一些方面,基站102可经由回程链路181与无线电单元(RU)189通信。例如,RU 189可将通信从DU 188中继到UE 104。
基站102针对UE 104提供到EPC 160或核心网190的接入点。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(例如,MP3播放器)、照相机、游戏控制台、平板设备、智能设备、可穿戴设备、交通工具、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、显示器或者任何其他相似功能的设备。UE104中的一些可以被称为IoT设备(例如,停车收费表、气泵、烤面包机、车辆、心脏监测仪等等)。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、手持装置、用户代理、移动客户端、客户端或者某种其他适当的术语。在一些情景中,术语UE还可以应用于一个或多个伴随设备,诸如在设备星座布置中。这些设备中的一个或多个设备可以共同地接入网络和/或个体地接入网络。
图2A是示出5G NR帧结构内的第一子帧的示例的图200。图2B是示出5G NR子帧内的DL信道的示例的图230。图2C是示出5G NR帧结构内的第二子帧的示例的图250。图2D是示出5G NR子帧内的UL信道的示例的图280。5G NR帧结构可以是频分双工(FDD)的(其中,针对特定的副载波集合(载波系统带宽),该副载波集合内的子帧专用于DL或者UL),或者可以是时分复用(TDD)的(其中,针对特定的副载波集合(载波系统带宽),该副载波集合内的子帧专用于DL和UL两者)。在图2A、图2C所提供的示例中,5G NR帧结构被假设为TDD,其中子帧4被配置有时隙格式28(其中大多数为DL),其中D是DL,U是UL,并且F是供在DL/UL之间灵活使用的,并且子帧3被配置有时隙格式1(其中全部为UL)。虽然分别用时隙格式1、28示出了子帧3、4,但是任何特定的子帧可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、1分别为全DL、UL。其他时隙格式2-61包括DL、UL和灵活码元的混合。UE通过所接收的时隙格式指示符(SFI)而被配置为具有时隙格式(通过DL控制信息(DCI)动态地配置,或者通过RRC信令半静态地/静态地配置)。注意,以下描述也适用于为TDD的5G NR帧结构。
图2A至图2D示出了帧结构,并且本公开的方面可以应用于可以具有不同的帧结构和/或不同的信道的其他无线通信技术。一帧(10ms)可以被分成10个同样大小的子帧(1ms)。每个子帧可以包括一个或多个时隙。子帧还可以包括迷你时隙,该迷你时隙可以包括7、4或2个码元。每个时隙可以包括14个或12个码元,这取决于循环前缀(CP)是正常的还是扩展的。对于正常的CP,每个时隙可以包括14个码元,并且对于扩展的CP,每个时隙可以包括12个码元。DL上的码元可以是CP正交频分复用(OFDM)(CP-OFDM)码元。UL上的码元可以是CP-OFDM码元(针对高吞吐量场景)或离散傅立叶变换(DFT)扩展OFDM(DFT-s-OFDM)码元(也被称为单载波频分多址(SC-FDMA)码元)(针对功率受限的场景;限于单流传输)。子帧内的时隙的数量基于CP和参数设计。参数设计定义了副载波间隔(SCS),并且实际上定义了码元长度/历时,其等于1/SCS。
对于正常的CP(14个码元/时隙),不同的参数设计μ0至4分别允许每子帧有1、2、4、8和16个时隙。对于扩展的CP,参数设计2允许每子帧有4个时隙。相应地,对于正常CP和参数设计μ,存在14个码元/时隙和2μ个时隙/子帧。副载波间隔可等于2μ*15kHz,其中μ是参数设计0至4。这样,参数设计μ=0的副载波间隔为15kHz,参数设计μ=4的副载波间隔为240kHz。码元长度/历时与副载波间隔逆相关。图2A至图2D提供了每时隙有14个码元的正常的CP和每子帧有4个时隙的参数设计μ=2的示例。时隙历时为0.25ms,副载波间隔为60kHz,并且码元历时为大约16.67μs。在帧集合内,可能存在频分复用的一个或多个不同的带宽部分(BWP)(参见图2B)。每个BWP可以具有特定的参数设计和CP(正常的或扩展的)。
资源网格可被用于表示帧结构。每个时隙包括延伸12个连续副载波的资源块(RB)(也称为物理RB(PRB))。资源网格被划分为多个资源元素(RE)。每个RE携带的比特数取决于调制方案。
如图2A中所示,一些RE携带用于UE的参考(导频)信号(RS)。RS可以包括解调RS(DM-RS)(对于一个特定配置指示为R,但是其他DM-RS配置是可能的)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2B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)(例如,1、2、4、8或16个CCE)内携带DCI,每个CCE包括六个RE组(REG),每个REG包括RB的一个OFDM码元中的12个连贯RE。一个BWP内的PDCCH可以被称为控制资源集合(CORESET)。UE被配置为在CORESET上的PDCCH监测时机期间在PDCCH搜索空间(例如,共用搜索空间、因UE而异的搜索空间)中监视PDCCH候选,其中PDCCH候选具有不同的DCI格式和不同的聚集级别。附加BWP可以位于信道带宽上的更高和/或更低的频率处。主同步信号(PSS)可在帧的特定子帧的码元2内。PSS被UE 104用来确定子帧/码元定时和物理层身份。辅同步信号(SSS)可在帧的特定子帧的码元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。基于物理层身份和物理层小区身份组号,UE可以确定物理小区标识符(PCI)。基于该PCI,UE可以确定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逻辑分组,以形成同步信号(SS)/PBCH块(也称为SS块(SSB))。MIB提供系统带宽中的RB数量以及系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、不通过PBCH发射的广播系统信息(例如系统信息块(SIB))、和寻呼消息。
如图2C所示,一些RE携带用于基站处的信道估计的DM-RS(对于一种特定配置表示为R,但其他DM-RS配置是可能的)。UE可以发射物理上行链路控制信道(PUCCH)的DM-RS和物理上行链路共享信道(PUSCH)的DM-RS。PUSCH DM-RS可以在PUSCH的前一个或前两个码元中发射。取决于发射短PUCCH还是长PUCCH并且取决于所使用的特定PUCCH格式,可以以不同的配置来发射PUCCH DM-RS。UE可发射探通参考信号(SRS)。SRS可在子帧的最后码元中被发射。SRS可以具有梳齿结构,并且UE可以在梳齿之一上发射SRS。SRS可由基站用于信道质量估计以在UL上启用取决于频率的调度。
图2D示出帧的子帧内的各种UL信道的示例。PUCCH可位于如在一种配置中指示的位置。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)和混合自动重复请求(HARQ)确收(ACK)(HARQ-ACK)反馈(即,指示一个或多个ACK和/或否定ACK(NACK)的一个或多个HARQ ACK比特)。PUSCH携带数据,并且可以附加地用于携带缓冲区状态报告(BSR)、功率净空报告(PHR)和/或UCI。
图3是接入网中基站310与UE 350处于通信的框图。在DL中,来自EPC 160的IP分组可以提供给控制器/处理器375。控制器/处理器375实现层3和层2的功能。层3包括无线电资源控制(RRC)层,并且层2包括服务数据适配协议(SDAP)层、PDCP层、无线电链路控制(RLC)层和媒体接入控制(MAC)层。控制器/处理器375提供与系统信息(例如,MIB、SIB)的广播、RRC连接控制(例如,RRC连接寻呼、RRC连接建立、RRC连接修改和RRC连接释放)、无线电接入技术(RAT)间移动性以及用于UE测量报告的测量配置相关联的RRC层功能性;与报头压缩/解压缩、安全性(加密、解密、完整性保护、完整性验证)和切换支持功能相关联的PDCP层功能性;与上层分组数据单元(PDU)的传输、通过ARQ的纠错、RLC服务数据单元(SDU)的级联、分段和重组、RLC数据PDU的重新分段和RLC数据PDU的重新排序相关联的RLC层功能性;和与逻辑信道和传输信道之间的映射、将MAC SDU复用到传输块(TB)上、从TB解复用MAC SDU、调度信息报告、通过HARQ的纠错、优先级处置和逻辑信道优先级排序相关联的MAC层功能性。
发射(TX)处理器316和接收(RX)处理器370实现与各种信号处理功能相关联的层1功能性。层1(其包括物理(PHY)层)可以包括传输信道上的检错、传输信道的前向纠错(FEC)译码/解码,交织、速率匹配、映射到物理信道上、物理信道的调制/解调、以及MIMO天线处理。TX处理器316基于各种调制方案(例如,二进制移相键控(BPSK)、正交相移键控(QPSK)、M相移键控(M-PSK)、M正交调幅(M-QAM))来处置至信号星座图的映射。然后可以将经译码和调制的码元分成并行流。随后,可以将每一个流映射到OFDM副载波,在时域和/或频域中将其与参考信号(例如,导频)进行复用,并随后使用快速傅里叶逆变换(IFFT)将各个流组合在一起,以生成携带时域OFDM码元流的物理信道。OFDM流经过空间预编码以产生多个空间流。来自信道估计器374的信道估计可用于确定编码和调制方案,以及用于空间处理。可根据由UE 350发送的参考信号和/或信道状况反馈推导信道估计。可以随后经由分开的发射机318TX将每个空间流提供给不同的天线320。每个发射机318TX可以利用各自的空间流来对射频(RF)载波进行调制以用于传输。
在UE 350处,每个接收机354RX通过其各自的天线352接收信号。每个接收机354RX恢复出被调制到RF载波上的信息,并且将该信息提供给接收(RX)处理器356。TX处理器368和RX处理器356实现与各种信号处理功能相关联的层1功能性。RX处理器356可以对信息执行空间处理,以恢复出以UE 350为目的地的任何空间流。如果多个空间流以UE 350为目的地,则可以由RX处理器356将它们合并成单个OFDM码元流。RX处理器356然后使用快速傅里叶变换(FFT)将OFDM码元流从时域转换到频域。频域信号针对该OFDM信号的每一个副载波包括单独的OFDM码元流。通过确定最有可能由基站310发送的信号星座点来恢复和解调每个副载波上的码元以及参考信号。这些软判决可以是基于信道估计器358所计算得到的信道估计。随后,对软判决进行解码和解交织以恢复出最初由基站310在物理信道上发送的数据和控制信号。然后将数据和控制信号提供给控制器/处理器359,其实现层3和层2功能性。
控制器/处理器359可与存储程序代码和数据的存储器360相关联。存储器360可被称为计算机可读介质。在UL中,控制器/处理器359提供传输和逻辑信道之间的解复用、分组重组、解密、报头解压缩和控制信号处理以恢复出来自EPC 160的IP分组。控制器/处理器359还负责使用ACK和/或NACK协议进行检错以支持HARQ操作。
类似于结合由基站310进行的DL传输描述的功能性,控制器/处理器359提供与系统信息(例如,MIB、SIB)获取、RRC连接和测量报告相关联的RRC层功能性;与报头压缩/解压缩和安全性(加密、解密、完整性保护、完整性验证)相关联的PDCP层功能性;与上层PDU的传输、通过ARQ的纠错、RLC SDU的级联、分段和重组、RLC数据PDU的重新分段和RLC数据PDU的重新排序相关联的RLC层功能;和与逻辑信道和传输信道之间的映射、将MAC SDU复用到TB上、从TB解复用MAC SDU、调度信息报告、通过HARQ的纠错、优先级处置和逻辑信道优先级排序相关联的MAC层功能性。
由信道估计器358从由基站310发送的参考信号或反馈导出的信道估计可由TX处理器368用于选择适当的编码和调制方案以及促成空间处理。可以经由分开的发射机354TX将TX处理器368所生成的空间流提供给不同的天线352。每个发射机354TX可以用相应的空间流来调制RF载波,以供传输。
在基站310处以与结合UE 350处的接收机功能所描述的方式相类似的方式来处理UL传输。每个接收机318RX通过其相应的天线320来接收信号。每个接收机318RX恢复出调制到RF载波上的信息,并将该信息提供给RX处理器370。
控制器/处理器375可与存储程序代码和数据的存储器376相关联。存储器376可称为计算机可读介质。在UL中,控制器/处理器375提供传输和逻辑信道之间的解复用、分组重组、解密、报头解压、控制信号处理以恢复出来自UE 350的IP分组。来自控制器/处理器375的IP分组可提供给EPC 160。控制器/处理器375还负责使用ACK和/或NACK协议进行检错以支持HARQ操作。
TX处理器368、RX处理器356和控制器/处理器359中的至少一者可被配置为执行与图1的模型分组组件198有关的各方面。
TX处理器316、RX处理器370和控制器/处理器375中的至少一者可被配置为执行与图1的模型配置组件199有关的各方面。
无线通信系统可以被配置为共享可用的系统资源,并且基于支持与多个用户的通信的多址技术(诸如CDMA系统、TDMA系统、FDMA系统、OFDMA系统、SC-FDMA系统和TD-SCDMA系统等)来提供各种电信服务(例如,电话、视频、数据、消息传递、广播等)。在许多情形中,促成与无线设备通信的公共协议在各种电信标准中被采用。例如,与eMBB、mMTC和超可靠低等待时间通信(URLLC)相关联的通信方法可被纳入5GNR电信标准中,而其他方面可被纳入4GLTE标准中。由于移动宽带技术是持续演进的一部分,因此移动宽带中的进一步改进对于继续发展此类技术仍然有用。
图4示出了包括被配置用于确定与第二设备404的通信的神经网络406的第一无线通信设备402的图示400。在一些方面,神经网络406可被包括在UE中。第一无线通信设备402可以是UE,并且第二设备404可对应于第二UE、基站或其他网络组件,诸如核心网组件。在一些方面,神经网络406可被包括在网络组件中。第一无线通信设备402可以是一个网络组件,并且第二设备404可以是第二网络组件。UE和/或基站(例如,包括(CU)和/或分布式单元(DU))可将机器学习算法、深度学习算法、神经网络、强化学习、回归、推升或高级信号处理方法用于例如与基站、TRP、另一UE等的无线通信的各方面。CU可提供协议栈的较高层,诸如SDAP、PDCP、RRC等,而DU可提供协议栈的较低层,诸如RLC、MAC、PHY等。单个CU可控制多个DU,并且每个DU可与一个或多个小区相关联。
强化学习是一种类型的机器学习,其涉及在环境中采取动作以便最大化奖励的概念。强化学习是机器学习范例;其他范例包括监督式学习和无监督学习。基本强化可被建模为具有一组环境和代理状态以及代理的一组动作的马尔可夫决策过程(MDP)。该过程可包括基于动作的状态转变的概率和转变之后的奖励的表示。代理的动作选择可被建模为策略。强化学习可使得代理能够学习使奖励最大化的最优或近乎最优的策略。监督式学习可包括学习基于示例输入-输出对将输入映射到输出的函数,其可根据训练数据集(其可被称为训练示例)来推断。监督式学习算法分析训练数据并提供算法以映射到新的示例。使用边缘设备作为客户端的联合学习(FL)规程可依赖于正基于监督式学习而被训练的客户端。
回归分析可包括用于估计因变量变量(例如,其可被称为结果变量)和(诸)自变量之间的关系的统计过程。线性回归是回归分析的一个示例。也可使用非线性模型。回归分析可包括推断数据集中的变量之间的因果关系。
推升包括用于降低监督式学习中偏置和/或方差的一个或多个算法,诸如将弱学习器(例如,与真实分类弱相关的分类器)转变成强学习器(例如,与真实分类更接近地相关的分类器)的机器学习算法。推升可包括相对于被添加到强分类器的分布基于弱分类器的迭代学习。弱学习器可与准确性相关地加权。可通过该过程来重新调整数据权重。在本文中所描述的一些方面,编码设备(例如,UE、基站、或其他网络组件)可训练一个或多个神经网络以学习各测得质量对个体参数的依赖性。
在一些示例中,第二设备404可以是基站。在一些示例中,第二设备404可以是TRP。在一些示例中,第二设备404可以是网络组件,诸如DU。在一些示例中,第二设备404可以是另一UE,例如,如果第一无线设备402和第二设备404之间的通信基于侧链路。尽管针对UE的示例描述了机器学习和神经网络的一些示例方面,但是这些方面可类似地由基站、IAB节点或另一训练主机应用。
可被包括在第一无线设备402中的机器学习模型或神经网络的示例尤其包括:人工神经网络(ANN);决策树学习;卷积神经网络(CNN);深度学习架构,其中第一层神经元的输出变成第二层神经元的输入,等等;支持向量机(SVM),例如,其包括对数据进行分类的分离超平面(例如,决策边界);回归分析;贝叶斯网络;遗传算法;深度卷积网络(DCN),其被配置有附加池化和归一化层;和深度置信网络(DBN)。
机器学习模型(诸如人工神经网络(ANN))可包括一群互连的人工神经元(例如,神经元模型),并且可以是计算设备或者可以表示要由计算设备执行的方法。神经元模型的连接可被建模为权重。机器学习模型可通过经由数据集进行训练来提供预测模型、自适应控制以及其他应用。该模型可基于由机器学习模型处理的外部或内部信息进行自适应。机器学习可提供非线性统计数据或决策制定,并且可对输入数据和输出信息之间的复杂关系进行建模。
机器学习模型可包括多个层和/或操作,它们可以通过级联一个或多个所引述的操作来形成。可涉及的操作的示例包括:数据的各种特征的提取、卷积运算、可被激活或去激活的全连通操作、压缩、解压缩、量化、平坦化等。如本文所用的,机器学习模型的″层″可用于表示对输入数据的操作。例如,卷积层、全连通层等可以用于指对输入到层中的数据的相关联操作。卷积AxB运算是指将多个输入特征A转换为多个输出特征B的运算。″内核大小″可指在维度中组合的邻近系数的数量。如本文中所使用的,″权重″可以用于表示在各层中用于组合输入数据的各个行和/或列的操作中使用的一个或多个系数。例如,全连通层操作可以具有输出y,该输出y至少部分地基于输入矩阵x和权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)之和来确定。例如,全连通层操作可以具有输出y,该输出y至少部分地基于输入矩阵x和权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)之和来确定。术语″权重″在本文中可被用于一般地指代权重和偏置值两者。权重和偏置是经训练机器学习模型的参数的示例。机器学习模型的不同层可被单独训练。
机器学习模型可包括各种连通性模式,例如,包括前馈网络、阶层、递归架构、反馈连接等中的任一者。神经网络的层之间的连接可以是全连通的或局部连通的。在全连通神经网络中,第一层中的神经元可将它的输出传达给第二层中的每个神经元,并且第二层中的每个神经元可从第一层中的每一个神经元接收输入。在局部连通网络中,第一层中的神经元可连接到第二层中有限数目的神经元。在一些方面,卷积网络可以是局部连通的,并且配置有与第二层中的每个神经元的输入相关联的共享连接强度。网络的局部连通层可被配置成使得层中的每个神经元具有相同或相似的连通性模式但带有不同的连接强度。
机器学习模型或神经网络可被训练。例如,机器学习模型可基于监督式学习来训练。在训练期间,可向机器学习模型呈现该模型用于计算以产生输出的输入。可将实际输出与目标输出进行比较,并且差值可被用于调整机器学习模型的参数(诸如权重和偏置)以提供更接近该目标输出的输出。在训练之前,输出可能是不正确的或不那么准确的,并且可以计算实际输出和目标输出之间的误差或差值。随后可调整机器学习模型的权重,以使得输出与目标更紧密对准。为了调整权重,学习算法可以计算权重的梯度向量。梯度可指示在权重被略微调整情况下误差会增加或减少的量。在顶层处,梯度可以直接对应于被连接倒数第二层中的经激活神经元和输出层中的神经元的权重的值。在较低层中,梯度可以取决于权重的值和较高层的计算的误差梯度。权重随后可被调整以减小误差或将输出移至更接近目标。这种调整权重的方式可被称为通过神经网络的后向传播。该过程可继续,直到可达成的误差率停止减小,或者直到误差率已达到目标水平。
这些机器学习模型可包括计算复杂性和用于训练机器学习模型的大量处理器。图4示出了示例神经网络406可包括互连节点的网络。一个节点的输出被连接作为到另一节点的输入。节点之间的连接可被称为边,并且可将权重应用于连接/边以调整来自一个节点的输出,该输出用作到另一节点的输入。节点可应用阈值以便确定是否或何时向连接节点提供输出。每一节点的输出可被计算为到节点的输入的总和的非线性函数。神经网络406可包括任何数量的节点以及各节点之间任何类型的连接。神经网络406可包括一个或多个隐藏节点。节点可被聚集到层中,并且神经网络的不同层可对输入执行不同种类的变换。信号可从第一层处的输入行进通过神经网络的多个层到神经网络的最后一个层处的输出,并且可遍历这些层多次。作为示例,第一无线设备402可将信息410输入到神经网络406(例如,经由任务/条件管理器418),并且可接收输出412(例如,经由控制器/处理器420)。第一无线设备402可基于输出412向第二设备404报告信息414。在一些方面,第二设备可基于信息414向第一无线设备发射通信402。在一些方面,第二设备404可以是例如在416处基于信息414调度或配置UE(例如,第一无线设备402)的基站。在其他方面,基站可从多个训练主机(例如,从多个UE)收集信息。类似地,网络可从包括多个基站、多个IAB节点和/或多个UE以及其他示例的多个训练主机收集信息。
第一无线设备402可被配置为执行与图1的模型分组组件198有关的各方面。例如,第一无线设备402可以是包括图1的模型分组组件198的第一UE或网络组件。
第二无线设备404可被配置为执行与图1的模型配置组件199有关的各方面。例如,第二无线设备404可以是包括图1的模型配置组件199的网络或第二UE。
图5示出了包括用于设备550的不同类型的ML模型结构的示例图示500。设备550可以是UE、基站、其他网络实体等。可在UE处配置和触发多个ML模型以用于ML推断规程。ML模型可对应于不同的应用功能、UE能力、UE的任务/条件等。不同ML模型可具有不同性能等级和复杂度,使得相同的应用功能或任务/条件可由不同ML模型执行。例如,多个ML模型可被配置给UE以用于信道状态反馈(CSF)任务,并且UE可基于CSF任务来选择该多个ML模型中的一个ML模型。
所选择的ML模型可以是基线模型,该基线模型可比特有/专用模型更稳健,并且与特有/专用模型相比,可针对更多任务/条件来执行。例如,可针对室内任务和室外任务两者、针对每个相关联子频带等执行基线模型。基线模型的总体复杂度可低于特有/专用模型的总体复杂度。在一些情况下,特有/专用模型也可被称为″高级模型″,并且可针对特定条件提供性能提高的输出。例如,特有/专用模型可针对室内定位任务提供提高的性能,但可能无法用于其他条件,并且可对应于与基线模型相比增加的模型复杂度。
针对特定任务/条件执行的ML规程可以是数据驱动的。例如,可基于不同性能等级和模型复杂度来为单个任务学习多个ML模型。UE可被配置有该多个ML模型以适配不同任务/条件。在示例中,定位任务可对应于配置给UE的多个ML模型。基线模型(诸如用于定位的ML通用模型504)可用于室内定位任务、室外定位任务和/或其他任务。单独的特有/专用模型(诸如用于室内定位任务的第一ML端到端(E2E)模型502a和用于室外定位任务的第二MLE2E模型502b)也可被配置给UE以用于单独的任务。
基线模型可对应于针对特定频带所配置的基于频带的ML模型508,而特有/专用模型可对应于每BWP地配置的BWP模型506。基于频带的ML模型508或基于子带的模型可比BWP模型506更稳健,并且与BWP模型506相比,可针对更多条件来执行。在另一示例中,基线模型可以是基于小区的ML模型(C模型)512,并且特有/专用模型可以是基于UE的ML模型(U模型)510。可针对同一小区中所包括的多个UE执行用于任务/条件的C模型512,而可由小区的特定UE执行用于任务/条件的U模型510,使得小区的不同UE可针对相同任务/条件使用不同的U模型510。可从任务/条件管理器418接收针对设备550的不同方面的输入,并且可将来自设备550的不同方面的输出提供给控制器/处理器420。
将该多个ML模型配置用于相同或不同任务/条件可增加ML推断规程的信令开销。例如,如果针对一个任务/条件执行特有/专用模型,则UE可能必须在该多个ML模型之间动态地切换以适配不同任务/条件。可执行从基线模型到特有/专用模型、从特有/专用模型到基线模型、从第一基线模型到第二基线模型、或从第一特有/专用模型到第二特有/专用模型的ML模型切换。将ML模型分组到相同任务/条件的类别中可减少与ML模型切换相关联的信令开销。例如,可将该多个ML模型分配到BMG和SMG中。ML模型组可基于一个或多个协议来配置和分组。
UE可基于UE的不同任务/条件来在ML模型组之间切换。此类技术可允许UE在维持模型复杂度的同时提高性能。对ML模型进行分组可提供默认/初始化的ML模型配置,这种默认/初始化的ML模型配置可在UE处触发ML功能。优先级协议可减少用于相同任务的不同ML模型之间的冲突,同时经由动态ML模型切换技术基于ML模型的复杂度来提供可调整的性能等级。
图6A至图6B是示出将ML模型分配到包括BMG 602和SMG 604的两个组中的图示600-650。BMG 602可包括具有与降低的性能相关联的输出但与降低的模型复杂度相关联的ML模型(例如,基线模型)。与SMG 604中的ML模型相比,可针对更宽范围的任务和条件执行BMG 602中的ML模型。小区的数量增加的UE可被配置为执行BMG 602中所包括的ML模型,因为ML推断协议可能需要由UE执行这样的ML模型。BMG 602的ML模型可对应于UE用于ML推断规程的初始设置。BMG 602的ML模型还可与网络的初始/默认设置相关联。
可针对特定任务或特定条件执行一些ML模型,诸如特有/专用模型。特有/专用模型可被包括在SMG 604中。SMG 604中所包括的ML模型可具有与提高的性能相关联的输出,但是也可与增加的模型复杂度相关联。特有/专用模型可在任务特有的基础上或条件特有的基础上执行。所指示的UE能力可指示小区的UE是否被配置为执行SMG 604中的特有/专用模型。在一些情况下,UE可执行BMG 602的基线模型,但可不执行SMG 604的特有/专用模型(例如,一些UE可能不具有执行特有/专用模型的能力,或者可能仅确定针对特定任务/条件执行基线模型)。
BMG 602中所包括的一些基线模型可被配置用于不同任务/条件。例如,BMG 602中的第一基线模型606a可被配置为定位ML模型,BMG 602中的第二基线模型606b可被配置为CSF ML模型,BMG 602中的第三基线模型606c可被配置为解码ML模型,等等。因此,例如,BMG602中的定位ML模型可提供定位指示/服务,在这种情况下UE不必确定与定位指示/服务相关联的特定应用条件。UE可在ML模型推断阶段期间被配置有BMG 602,该BMG 602可为UE提供基线模型。虽然基线模型可提供与降低的性能相关联的输出,但是基线模型可具有降低的复杂度并且可包括增加的稳健性,以用于与更宽范围的任务/条件相关联地执行。
可基于UE的能力而将UE配置有SMG 604。因此,可基于UE能力将一些UE配置为仅具有BMG 602,而可将其他UE配置有BMG 602和SMG 604两者。可针对与BMG 602中所包括的ML相同的任务/条件执行SMG 604中所包括的ML模型。例如,SMG 604可包括可专用于定位的某些方面的特有/专用模型。即,SMG 604可包括用于室内定位608a和室外定位608b的单独的特有/专用模型,而不是可被配置用于室内定位和室外定位两者的单个基线模型(例如,第一基线模型606a)。基于UE能力,可针对室内定位608a或室外定位608b触发SMG 604中的特有/专用模型以适配不同任务/条件。SMG 604可包括用于CSF(诸如每BWP的CSF 608c、高多普勒中的CSF 608d、反馈减少的CSF 608e等)的特有/专用模型。此外,SMG 604可包括用于解码(诸如低信噪比(SNR)下的解码608f、高SNR下的解码608g、每基图(BG)的解码608h等)的特有/专用模型。
图7A至图7B是示出将ML模型子分配到ML模型子组中的图示700-750。例如,BMG702中所包括的第一ML模型可被子分配到第一ML子组706-710中,并且SMG 704中所包括的第二ML模型可被子分配到第二ML模型子组718-722中。BMG 702的第一ML模型可基于不同任务/条件来子分配。例如,第一ML模型可被子分配到公共功能子组706中,该公共功能子组706可包括与PDCCH相关ML 712a、PBCH相关ML 712b和/或初始接入相关ML 712c对应的第一ML模型。在另一示例中,第一ML模型可被子分配到下行链路相关子组708中,该下行链路相关子组708可包括与PDSCH接收ML 714a、下行链路中的信道估计714b和/或下行链路中的波束对准714c对应的第一ML模型。在又一示例中,第一ML模型可被子分配到高级功能子组710中,该高级功能子组710可包括与用于定位的ML 716a和/或用于移动性的ML 716b对应的第一ML模型。第一ML模型子组706-710还可包括其他附加或另选类型的子组。
SMG 704的第二ML模型还可基于不同任务/条件来子分配。例如,可将第二ML模型子分配到定位子组718中,该定位子组718可包括与室内定位ML 724a和/或室外定位ML724b对应的第二ML模型。在另一示例中,可将第二ML模型子分配到CSF子组720中,该CSF子组720可包括与每BWP的CSF 726a、高多普勒中的CSF 726b和/或反馈减少的CSF 726c对应的第二ML模型。在另一示例中,可将第二ML模型子分配到解码子组722中,该解码子组722可包括与基于低SNR的解码728a、基于高SNR的解码728b和/或每BG的解码728c对应的第二ML模型。第二ML模型子组718-722还可包括其他附加或另选类型的子组。
在模型配置期间,BMG 702和/或SMG 704中所包括的子组706-710和718-722中的一者或多者可被配置给UE。该一个或多个子组可对应于BMG 702和/或SMG 704中所包括的子组的子集。例如,UE可基于BMG 702但不基于SMG 704来配置,或者UE可配置有BMG子组和/或SMG子组的子集,但不具有总体BMG配置和/或SMG配置。
ML模型部署可基于所收集的用于训练ML模型的数据集、ML模型复杂度、ML模型准确度、ML模型一般化性能等之间的权衡。可定义数个协议以用于对ML模型进行分组(例如,给定多个ML模型可对应于相同任务/条件)。第一协议可对应于基于ML模型的一般化性能来对ML模型进行分组。BMG 702中的ML模型可更稳健且可通用于不同任务/条件。SMG 704中的ML模型可专用于特定任务/条件,以针对特定任务/条件提供与增加的性能相关联的输出。然而,SMG 704中的ML模型可能无法在特定任务/条件的范围之外使用。例如,用于宽范围的定位任务的第一ML模型可以是BMG 702中所包括的基线模型。专用于室内定位任务的第二ML模型可以是SMG 704中所包括的第一特有/专用模型。专用于室外定位任务的第三ML模型可以是SMG 704中所包括的第二特有/专用模型。
第二协议可对应于基于ML模型复杂度来对ML模型进行分组。BMG 702可包括总体复杂度降低的ML模型(例如,基线模型)。可基于存储器特性、固定/浮动操作等来确定复杂度。″总体复杂度″可指基于ML模型的所有适用条件的计算。如果总体复杂度高,则可将ML模型分配给SMG 704。为了支持不同条件,SMG 704可包括许多不同的特有/专用模型,这可能导致SMG 704具有很大的总体复杂度。对于示例定位任务,被配置用于宽范围的任务/条件的基线模型可与5兆字节(MB)的存储器成本相关联,而用于室内定位任务的第一特有/专用模型可与4MB的存储器成本相关联,并且用于室外定位任务的第二特有/专用模型可与3MB的存储器成本相关联。因此,BMG 702中的基线模型(其可被配置用于室内定位任务和室外定位任务两者)可利用比用于执行相同室内和室外定位任务的两个单独特有/专用模型所用的存储器的总和更少的存储器。
第三协议可对应于基于默认/初始设置来对ML模型进行分组。一些基线模型(例如,被配置用于UE到小区的初始接入规程、初始BWP参数等的模型)可经由默认/初始设置被包括在BMG 702中。这种初始/默认设置可不必基于SMG 704的特有/专用模型来配置。因此,默认/初始设置可不包括SMG 704的特有/专用模型。在没有用于特有/专用模型的初始配置的情况下,UE可针对不同任务/条件利用初始/默认ML模型(例如,其被包括在BMG 702中)。例如,UE可针对BWP任务/条件利用BMG 702的初始/默认ML模型。
第四协议可对应于基于小区使用情况或UE使用情况来对ML模型进行分组。例如,C模型可被包括在BMG 702中,U模型可被包括在SMG 704中。U模型可对应于UE特有模型或UE组特有模型。SMG 704中的特有/专用模型可专用于小区内的某一地理区域,而BMG 702中的基线模型可对应于用于整个小区的通用ML模型。可在没有到UE的RRC连接的情况下执行C模型,而可基于RRC连接来执行U模型。对于示例定位任务,BMG 702的基线模型可被用于小区中的所有UE。另外,特有/专用模型可被用于与小区中(例如,在大型建筑内、在广阔的外部环境中等)的不同位置相关联的特定UE或特定UE组。
第五协议可对应于基于ML模型的优先级来对ML模型进行分组。ML模型的优先级排序可基于两个优先级水平(例如,高优先级和低优先级)。具有低优先级的ML模型可被包括在BMG 702中,具有高优先级的ML模型可被包括在SMG 704中。如果特有/专用模型在时间上与基线模型冲突,或者如果基线模型在时间上与特有/专用模型冲突,则特有/专用模型可优先于基线模型。SMG 704的特有/专用模型和BMG 702的基线模型可基于不同周期性来被周期性地触发。另选地,可动态地触发基线模型,并且可周期性地触发基线模型。如果在模型之间发生冲突,则可禁用基线模型。
图8A至图8B是示出用于BMG 802和SMG 804的联合ML模型配置格式806和单独ML模型配置格式808的图示800-850。在第一方面,BMG802和SMG 804可基于联合ML模型配置格式806来配置和触发。在第二方面,BMG 802和SMG 804可基于单独ML模型配置格式808来配置和触发。
网络可将UE配置有来自BMG 802的一个ML模型和来自SMG 804的一个或多个ML模型以用于执行单个任务。第一配置格式可对应于联合ML模型配置格式806(例如,{定位:2,[2,3]})。联合ML模型配置格式806中的″定位″参数可指示任务索引,其中2可对应于到BMG802的第一模型索引,[2,3]可对应于到SMG 804的第二模型索引。UE可触发并使用来自BMG802的基线模型″2″,或者基于UE能力,触发并使用来自SMG 804的特有/专用模型[2,3]。
第二配置格式可对应于单独ML模型配置格式808,该单独ML模型配置格式808可基于BMG 802和SMG 804的独立参数。例如,单独ML模型配置格式808可包括{定位:BMG:2}或{定位:SMG:3}。单独ML模型配置格式808中的″定位″参数可指示任务索引,其中″BMG″和″SMG″可对应于组索引,并且″2″和″3″可对应于与组索引相关联的组的模型索引。在一些情况下,当模型索引经由预定义映射规程与任务相关联时,可排除″定位″任务索引。
图9A至图9B是示出BMG 902的基线模型与SMG 904的一个或多个特有/专用模型之间的关联的图示900-950。对于联合配置,BMG 902可包括基线模型,每个基线模型可与SMG904中的一个或多个特有/专用模型(或特有/专用模型子组)相关联。网络可配置BMG 902中的基线模型,但可以不明确地指示SMG 904中的特有/专用模型。
SMG 904中的对应模型可经由BMG 902中的基线模型配置来指示。UE可执行基线模型,并且如果UE确定要针对特定任务提供与提高的性能相关联的输出,则UE可基于来自BMG902的基线模型中的索引来下载SMG 904的用于特定任务的对应特有/专用模型。
在一示例中,网络可将来自BMG 902的基线模型配置用于基于{P:2}进行定位,其中″P″对应于任务索引,″2″对应于BMG 902中的基线模型索引。UE可基于基线模型索引来识别BMG 902的基线模型,其中基线模型可与SMG 904的一个或多个特有/专用模型相关联/映射到该一个或多个特有/专用模型。例如,基线模型索引″2″可被映射到特有/专用模型索引[2,3]。即,除了基线模型配置之外,基线模型索引还可指示SMG 904中的相关联的特有/专用模型索引{2,3}。因此,UE可从SMG 904确定要配置的所索引的特有/专用模型。在一些情况下,可排除任务索引″P″,因为模型索引″2″可对应于经由预定义协议确定的预定义模型索引。
图10是示出UE 1002与包括集中式单元控制面(CU-CP)1004和ML模型管理器1006的网络之间的通信的呼叫流程图1000。可在UE 1002和网络(例如,CU-CP 1004)之间建立RRC连接以提供用于ML模型部署的配置。例如,在1008处,UE 1002可执行与CU-CP 1004的RRC连接建立。在1008处,RRC连接建立可指示UE无线电能力、UE ML能力等。在1010处,CU-CP1004可向ML模型管理器1006发射UE上下文建立请求。所发射的请求可指示UE ML能力、请求的模型列表等。
在1012处,UE 1002可执行与网络的ML模型下载规程。网络可在网络中的指定节点处(诸如,在ML模型管理器1006处)配置一个或多个ML模型。在1012处,UE 1002可从网络中的指定节点(例如,经由CU-CP 1004从ML模型管理器1006)下载该一个或多个ML模型。即,在1012处,UE 1002可下载BMG模型和/或SMG模型。
可基于BMG和SMG配置组来执行推断规程。在1014处,可基于两个单独规程来激活BMG和SMG。在第一示例中,网络可指示(例如,从ML模型列表)要由UE使用的特有/专用模型或基线模型。例如,在1016a处,ML模型管理器1006可配置/触发用于个别任务的ML模型列表,其中该ML模型列表可指示来自BMG的第一ML模型和来自SMG的第二ML模型。在1018a处,可执行来自BMG或来自SMG的ML模型。
在第二示例中,SMG可与BMG相关联。例如,在1016b处,ML模型管理器1006可将来自BMG的ML模型配置/触发用于个别任务。即,网络可指示来自BMG的基线模型,以供UE 1002初始与BMG相关联地执行。UE 1002可随后确定要切换到来自SMG的特有/专用模型,以提供具有改善的性能的输出。因此,在1018b处,可执行来自BMG的ML模型或将ML模型切换到来自SMG的ML模型。SMG可与用于低复杂度UE的空字段相关联,这可基于UE能力。即,SMG可不被配置用于一些低复杂度UE。
UE能力报告可被用于UE能力分组。UE能力报告(例如,在1008处发射的UE能力报告)可指示被配置用于BMG中的ML模型但不用于SMG中的ML模型的第一UE能力水平。另选地,UE能力报告(例如,在1008处发射的UE能力报告)可指示被配置用于BMG和SMG两者中的ML模型的第二UE能力水平。
在一示例中,在1008处发射的UE能力报告可包括位01,其可指示UE 1002被配置成用于BMG中的ML模型,但不用于SMG中的ML模型。另选地,在1008处发射的UE能力报告可包括位10,其可指示UE 1002被配置成用于BMG中的ML模型以及SMG中的至少一些ML模型。来自BMG的ML模型可对应于UE 1002的默认配置。在没有专用配置的情况下,UE 1002可从BMG中选择ML模型(例如,在初始化规程(诸如接入小区或利用默认BWP)期间)。
图11是示出UE 1102和基站1104之间的通信的呼叫流程图1100。在1106处,UE可向基站1104报告用于BMG/SMG的UE能力。UE能力可与UE无线电能力、UE ML能力等相关联。
在1108处,基站1104可向UE 1102发射用于ML模型的配置。该配置可与用于执行ML模型的至少一个任务/条件相关联。在1110处,基站1104可向UE 1102发射用于第二ML模型的第二配置。在示例中,在1108处发射的配置可用于BMG的基线模型,并且在1110处发射的第二配置可用于SMG的特有/专用模型。
在1112处,UE 1102可将ML模型分配到BMG和/或SMG中。在1112处将ML模型分配到SMG中可基于在1106处报告给基站1104的UE能力。在1114处,UE 1102可子分配BMG和SMG内的ML模型。例如,BMG内的ML模型可被子分配给公共功能子组、下行链路/上行链路子组、高级功能子组等。SMG内的ML模型可被子分配给定位子组、CSF子组、解码子组等。
在1116处,UE可在1112处分配给BMG和/或SMG的ML模型之间切换。在1116处,UE还可在1114处子分配的BMG和/或SMG内的ML模型之间切换。例如,UE 1102可从BMG的第一基线模型切换到BMG的第二基线模型,从BMG的基线模型切换到SMG的特有/专用模型,从SMG的特有/专用模型切换到BMG的基线模型,或者从SMG的第一特有/专用模型切换到SMG的第二特有/专用模型。
图12是无线通信方法的流程图1200。该方法可由UE(例如,UE 104、402、1002、1102;设备1602等)执行,该UE可包括存储器360并且可以是整个UE 104、402、1002、1102或者UE 104、402、1002、1102的组件(诸如TX处理器368、RX处理器356和/或控制器/处理器359)。可执行该方法来降低用于ML推断规程的信令成本。
在1202处,UE可接收用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能在UE处基于该至少一个规程的条件来切换该一个或多个ML模型。例如,参考图11,在1108处,UE 1102可从基站1104接收用于ML模型的配置。UE 1102可被配置为在ML模型之间切换(例如,在1116处)。在1202处的接收可由图16中的设备1602的接收组件1630来执行。
在1204处,UE可将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于该至少一个规程的条件来在该一个或多个ML模型之间切换。例如,参考图6和图11,在1112处,UE 1102可将ML模型分配到BMG和/或SMG中,使得在1116处,UE 1102可在分配到BMG和/或SMG中的ML模型之间切换。图示600类似地示出了将ML模型分配到BMG 602和SMG 604中。在1204处的分配可由图16中的设备1602的分配组件1642来执行。
图13是无线通信方法的流程图1300。该方法可由UE(例如,UE 104、402、1002、1102;设备1602等)执行,该UE可包括存储器360并且可以是整个UE 104、402、1002、1102或者UE 104、402、1002、1102的组件(诸如TX处理器368、RX处理器356和/或控制器/处理器359)。可执行该方法来降低用于ML推断规程的信令成本。
在1302处,UE可报告指示执行与BMG或SMG中的至少一者相关联的一个或多个ML模型的UE能力。例如,参考图10至图11,在1106处,UE 1102可向基站1104报告用于BMG/SMG的UE能力。在图示1000中,在1008处,UE可在RRC连接建立规程期间向CU-CP 1004报告UE无线电能力、UE ML能力等。在1302处的报告可由图16中的设备1602的报告器组件1640来执行。
在1304处,UE可接收用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能在UE处基于该至少一个规程的条件来切换该一个或多个ML模型。例如,参考图11,在1108处,UE 1102可从基站1104接收用于ML模型的配置。UE 1102可被配置为在ML模型之间切换(例如,在1116处)。在1108处接收到的用于该一个或多个ML模型的配置可对应于BMG,并且与BMG对应的该一个或多个ML模型中的每个ML模型可被索引到与SMG对应的一个或多个第二ML模型。在1304处的接收可由图16中的设备1602的接收组件1630来执行。
在1306处,UE可接收用于一个或多个第二ML模型的第二配置,用于该一个或多个ML模型的配置对应于BMG或SMG,并且用于该一个或多个第二ML模型的第二配置对应于BMG或SMG中与用于该一个或多个ML模型的配置相反的一者。例如,参考图11,在1110处,UE1102可从基站1104接收用于第二ML模型的第二配置。在1110处从基站1104接收到的第二ML模型(例如,SMG的特有/专用模型)可不同于在1108处从基站1104接收到的ML模型(例如,BMG的基线模型)。在1306处的接收可由图16中的设备1602的接收组件1630来执行。
在1308处,UE可将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于该至少一个规程的条件来在该一个或多个ML模型之间切换。例如,参考图6和图11,在1112处,UE 1102可将ML模型分配到BMG和/或SMG中,使得在1116处,UE 1102可在分配到BMG和/或SMG中的ML模型之间切换。图示600类似地示出了将ML模型分配到BMG 602和SMG 604中。分配(例如,在1112处)给BMG的该一个或多个ML模型可对应于具有第一复杂度和第一性能的初始化ML模型,并且分配(例如,在1112处)给SMG的一个或多个ML模型可对应于具有第二复杂度和第二性能的专用ML模型,第二复杂度和第二性能高于第一复杂度和第一性能。在1112处分配该一个或多个ML模型可包括基于ML推断来将用于该一个或多个ML模型的配置分配给BMG以及基于UE能力来将该一个或多个ML模型分配给SMG。在1308处的分配可由图16中的设备1602的分配组件1642来执行。
在第一方面,在1112处分配该一个或多个ML模型可包括基于与该一个或多个ML模型相关联的性能来将该一个或多个ML模型分配给BMG或SMG中的至少一者,其中可在1112处基于用于包括该至少一个规程的条件的多个条件的稳健性能来将该一个或多个ML模型分配给BMG,并且可在1112处基于该至少一个规程的条件的专用性能来将该一个或多个ML模型分配给SMG。在第二方面,分配该一个或多个ML模型可包括在1112处基于该一个或多个ML模型的复杂度来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中可在1112处基于第一复杂度来将该一个或多个ML模型分配给BMG,并且可在1112处基于高于第一复杂度的第二复杂度来将该一个或多个ML模型分配给SMG。在第三方面,分配该一个或多个ML模型可包括在1112处基于初始化事件来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中在1112处将该一个或多个ML模型分配给BMG可在初始化事件的时间发生,并且在1112处将该一个或多个ML模型分配给SMG可在初始化事件的时间之后发生。在第四方面,在1112处分配该一个或多个ML模型可包括基于该一个或多个ML模型的应用来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中在1112处分配给BMG可对应于小区特有应用,并且在1112处分配给SMG可对应于UE特有应用或UE组特有应用中的至少一者。在第五方面,在1112处分配该一个或多个ML模型可包括基于该一个或多个ML模型的优先级水平来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中在1112处分配给BMG可对应于具有第一优先级水平的第一ML模型,并且在1112处分配给SMG可对应于具有高于第一优先级水平的第二优先级水平的第二ML模型。
在1310处,UE可将分配给BMG或SMG中的该至少一者的该一个或多个ML模型子分配到BMG子组或SMG子组中的至少一者中。例如,参考图7和图11,UE 1102可在1114处子分配BMG和/或SMG内的ML模型。图示700类似地示出了子分配BMG 702和SMG 704内的ML模型。在1310处的子分配可由图16中的设备1602的子分配组件1644来执行。
在1312处,UE可基于该一个或多个ML模型的分配和为该一个或多个ML模型学习的该至少一个规程的条件来在该一个或多个ML模型之间切换。例如,参考图10至图11,在1116处,UE 1102可在ML模型之间切换。此外,在1018b处,UE 1002可从正在执行的来自BMG的ML模型切换到来自SMG的不同的ML模型。在1312处的切换可由图16中的设备1602的切换组件1646来执行。
图14是无线通信方法的流程图1400。该方法可由基站(例如,基站102、1104;第二设备404;包括CU-CP 1004和ML模型管理器1006的网络;装置(设备)1702;等等)来执行,该基站可包括存储器376,并且可以是整个基站102、1104或基站102、1104的组件(诸如TX处理器316、RX处理器370和/或控制器/处理器375)。可执行该方法来降低用于ML推断规程的信令成本。
在1402处,基站可接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示。例如,参考图10至图11,在1106处,基站1104可从UE 1102接收用于BMG/SMG的UE能力。在图示1000中,在1008处,CU-CP 1004可在RRC连接建立规程期间从UE1002接收UE无线电能力、UE ML能力等。在1402处的接收可由图17中的装置1702的能力组件1740来执行。
在1404处,基站可发射用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能基于该至少一个规程的条件来切换该一个或多个ML模型。例如,参考图11,在1108处,基站1104可向UE 1102发射用于ML模型的配置,该UE可被配置为在ML模型之间切换(例如,在1116处)。在1404处的发射可由图17中的装置1702的第一配置组件1742来执行。
图15是无线通信方法的流程图1500。该方法可由基站(例如,基站102、1104;第二设备404;包括CU-CP 1004和ML模型管理器1006的网络;装置(设备)1702;等等)来执行,该基站可包括存储器376,并且可以是整个基站102、1104或基站102、1104的组件(诸如TX处理器316、RX处理器370和/或控制器/处理器375)。可执行该方法来降低用于ML推断规程的信令成本。
在1502处,基站可接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示。例如,参考图10至图11,在1106处,基站1104可从UE 1102接收用于BMG/SMG的UE能力。在图示1000中,在1008处,CU-CP 1004可在RRC连接建立规程期间从UE1002接收UE无线电能力、UE ML能力等。分配(例如,在1112处)给BMG的该一个或多个ML模型可对应于具有第一复杂度和第一性能的初始化ML模型,并且分配(例如,在1112处)给SMG的一个或多个ML模型可对应于具有第二复杂度和第二性能的专用ML模型,第二复杂度和第二性能高于第一复杂度和第一性能。在1108处发射的用于该一个或多个ML模型(例如,其被分配给BMG)的配置可基于ML推断,并且在1110处发射的用于该一个或多个ML模型(例如,其被分配给SMG)的第二配置可基于在1106处接收到的UE能力。该一个或多个ML模型可在BMG702或SMG 704中的至少一者内被子分配(例如,基于图示700)给BMG子组或SMG子组中的至少一者。图示700示出了BMG子组可对应于公共功能子组706、下行链路相关子组708或高级功能子组710中的至少一者。图示700示出了SMG子组可对应于定位子组718、CSF子组720或解码子组722中的至少一者。在1502处的接收可由图17中的装置1702的能力组件1740来执行。
在第一方面,在1112处分配该一个或多个ML模型可包括基于与该一个或多个ML模型相关联的性能来将该一个或多个ML模型分配给BMG或SMG中的至少一者,其中可在1112处基于用于包括该至少一个规程的条件的多个条件的稳健性能来将该一个或多个ML模型分配给BMG,并且可在1112处基于该至少一个规程的条件的专用性能来将该一个或多个ML模型分配给SMG。在第二方面,分配该一个或多个ML模型可包括在1112处基于该一个或多个ML模型的复杂度来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中可在1112处基于第一复杂度来将该一个或多个ML模型分配给BMG,并且可在1112处基于高于第一复杂度的第二复杂度来将该一个或多个ML模型分配给SMG。在第三方面,分配该一个或多个ML模型可包括在1112处基于初始化事件来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中在1112处将该一个或多个ML模型分配给BMG可在初始化事件的时间发生,并且在1112处将该一个或多个ML模型分配给SMG可在初始化事件的时间之后发生。在第四方面,在1112处分配该一个或多个ML模型可包括基于该一个或多个ML模型的应用来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中在1112处分配给BMG可对应于小区特有应用,并且在1112处分配给SMG可对应于UE特有应用或UE组特有应用中的至少一者。在第五方面,在1112处分配该一个或多个ML模型可包括基于该一个或多个ML模型的优先级水平来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中在1112处分配给BMG可对应于具有第一优先级水平的第一ML模型,并且在1112处分配给SMG可对应于具有高于第一优先级水平的第二优先级水平的第二ML模型。
在1504处,基站可发射用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能够基于该至少一个规程的条件来切换该一个或多个ML模型。例如,参考图11,在1108处,基站1104可向UE 1102发射用于ML模型的配置,该UE可被配置为在ML模型之间切换(例如,在1116处)。在1108处发射的用于该一个或多个ML模型的配置可对应于BMG,并且与BMG对应的该一个或多个ML模型中的每个ML模型可被索引到与SMG对应的一个或多个第二ML模型。在1504处的发射可由图17中的装置1702的第一配置组件1742来执行。
在1506处,基站可发射用于一个或多个第二ML模型的第二配置,用于该一个或多个ML模型的配置对应于BMG或SMG,用于该一个或多个第二ML模型的第二配置还对应于BMG或SMG中与用于该一个或多个ML模型的配置相反的一者。例如,参考图11,在1110处,基站1104可向UE 1102发射用于第二ML模型的第二配置。在1110处向UE 1102发射的第二ML模型(例如,SMG的特有/专用模型)可不同于在1108处向UE 1102发射的ML模型(例如,BMG的基线模型)。在1506处的发射可由图17中的装置1702的第二配置组件1744来执行。
图16是示出设备1602的硬件实现的示例的图示1600。设备1602可以是UE、UE的组件,或者可实施UE功能性。在一些方面中,设备1602可以包括耦合到蜂窝RF收发机1622的蜂窝基带处理器1604(也被称为调制解调器)。在一些方面,设备1602还可包括一个或多个订户身份模块(SIM)卡1620、耦合到安全数字(SD)卡1608和屏幕1610的应用处理器1606、蓝牙模块1612、无线局域网(WLAN)模块1614、全球定位系统(GPS)模块1616或电源1618。蜂窝基带处理器1604通过蜂窝RF收发机1622与UE 104和/或BS102/180通信。蜂窝基带处理器1604可包括计算机可读介质/存储器。该计算机可读介质/存储器可以是非暂态的。蜂窝基带处理器1604负责一般处理,包括执行存储在计算机可读介质/存储器上的软件。该软件在由蜂窝基带处理器1604执行时使蜂窝基带处理器1604执行上述各种功能。计算机可读介质/存储器还可用于存储由蜂窝基带处理器1604在执行软件时操纵的数据。蜂窝基带处理器1604还包括接收组件1630、通信管理器1632和传输组件1634。通信管理器1632包括一个或多个所示出的组件。通信管理器1632内的组件可存储在计算机可读介质/存储器中,并且/或者被配置为蜂窝基带处理器1604内的硬件。蜂窝基带处理器1604可以是UE 350的组件,并且可包括存储器360和/或TX处理器368、RX处理器356和控制器/处理器359中的至少一者。在一种配置中,设备置1602可以是调制解调器芯片,并且仅包括基带处理器1604,而在另一配置中,设备1602可以是整个UE(例如,参见图3的350),并且包括设备1602的附加模块。
接收组件1630被配置为(例如,如结合1202、1304和1306所描述的)接收用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能够在UE处基于该至少一个规程的条件来切换该一个或多个ML模型;并且接收用于一个或多个第二ML模型的第二配置,用于该一个或多个ML模型的配置对应于BMG或SMG,并且用于该一个或多个第二ML模型的第二配置对应于BMG或SMG中与用于该一个或多个ML模型的配置相反的一者。
通信管理器1632包括报告器组件1640,该报告器组件1640被配置为(例如,如结合1302所描述的)报告指示执行与BMG或SMG中的至少一者相关联的一个或多个ML模型的UE能力。通信管理器1632还包括分配组件1642,该分配组件1642被配置为(例如,如结合1204和1308所描述的)将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于该至少一个规程的条件来在该一个或多个ML模型之间切换。通信管理器1632还包括子分配组件1644,该子分配组件1644被配置为(例如,如结合1310所描述的)将分配给BMG或SMG中的该至少一者的该一个或多个ML模型子分配到BMG子组或SMG子组中的至少一者中。通信管理器1632还包括切换组件1646,该切换组件1646被配置为(例如,如结合1312所描述的)基于该一个或多个ML模型的分配和为该一个或多个ML模型学习的该至少一个规程的条件来在该一个或多个ML模型之间切换。
该设备可包括执行图12至图13的流程图中的算法的框中的每个框的附加组件。因此,图12至图13的流程图中的每个框可由组件执行,并且该设备可包括那些组件中的一个或多个组件。这些组件可以是一个或多个硬件组件,该一个或多个硬件组件具体被配置为执行所述过程/算法、由被配置为执行所述过程/算法的处理器实现、存储在计算机可读介质中以便由处理器实现,或者它们的一些组合。
如图所示,设备1602可包括被配置用于各种功能的各种组件。在一种配置中,设备1602(具体地,蜂窝基带处理器1604)包括用于执行以下操作的装置:接收用于一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能够在UE处基于该至少一个规程的条件来切换该一个或多个ML模型;和用于执行以下操作的装置:将该一个或多个ML模型分配给BMG或SMG中的至少一者,以基于该至少一个规程的条件来在该一个或多个ML模型之间切换。设备1602还包括用于执行以下操作的装置:将分配给BMG或SMG中的至少一者的该一个或多个ML模型子分配到BMG子组或SMG子组中的该至少一者中,该BMG子组对应于公共功能子组、下行链路/上行链路子组或高级功能子组中的至少一者,该SMG子组对应于定位子组、CSF子组或解码子组中的至少一者。设备1602还包括用于执行以下操作的装置:接收用于一个或多个第二ML模型的第二配置,用于该一个或多个ML模型的配置对应于BMG或SMG,用于该一个或多个第二ML模型的第二配置对应于BMG或SMG中与用于该一个或多个ML模型的配置相反的一者。设备1602还包括用于执行以下操作的装置:报告指示执行与BMG或SMG中的该至少一者相关联的该一个或多个ML模型的UE能力。装置1602还包括用于执行以下操作的装置:基于该一个或多个ML模型的分配和为该一个或多个ML模型学习的该至少一个规程的条件来在该一个或多个ML模型之间切换。
用于分配该一个或多个ML模型的装置被进一步配置为:基于ML推断来将用于该一个或多个ML模型的配置分配给BMG以及基于UE能力来将该一个或多个ML模型分配给SMG。用于分配该一个或多个ML模型的装置被进一步配置为:基于与该一个或多个ML模型相关联的性能来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中基于用于包括该至少一个规程的条件的多个条件的稳健性能来将该一个或多个ML模型分配给BMG,基于该至少一个规程的条件的专用性能来将该一个或多个ML模型分配给SMG。用于分配该一个或多个ML模型的装置被进一步配置为:基于该一个或多个ML模型的复杂度来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中基于第一复杂度来将该一个或多个ML模型分配给BMG,基于高于第一复杂度的第二复杂度来将该一个或多个ML模型分配给SMG。用于分配该一个或多个ML模型的装置被进一步配置为:基于初始化事件来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中将该一个或多个ML模型分配给BMG在初始化事件的时间发生,将该一个或多个ML模型分配给SMG在初始化事件的时间之后发生。用于分配该一个或多个ML模型的装置被进一步配置为:基于该一个或多个ML模型的应用来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中BMG对应于小区特有应用,SMG对应于UE特有应用或UE组特有应用中的至少一者。用于分配该一个或多个ML模型的装置被进一步配置为:基于该一个或多个ML模型的优先级水平来将该一个或多个ML模型分配给BMG或SMG中的该至少一者,其中BMG对应于具有第一优先级水平的第一ML模型,SMG对应于具有高于第一优先级水平的第二优先级水平的第二ML模型。
装置可以是设备1602的被配置为执行由该装置记载的功能的组件中的一个或多个组件。如上所述,设备1602可包括TX处理器368、RX处理器356和控制器/处理器359。因此,在一种配置中,装置可以是被配置为执行由该装置记载的功能的TX处理器368、RX处理器356和控制器/处理器359。
图17是示出设备1702的硬件实现的示例的图示1700。设备1702可以是基站、基站的组件,或者可实施基站功能性。在一些方面,设备1602可包括基带单元1704。基带单元1704可通过蜂窝RF收发机1722与UE 104通信。基带单元1704可包括计算机可读介质/存储器。基带单元1704负责一般处理,该一般处理包括执行存储在计算机可读介质/存储器上的软件。该软件在由基带单元1704执行时使基带单元1704执行上述各种功能。计算机可读介质/存储器还可用于存储由基带单元1704在执行软件时操纵的数据。基带单元1704还包括接收组件1730、通信管理器1732和传输组件1734。通信管理器1732包括一个或多个所示出的组件。通信管理器1732内的组件可以被存储在计算机可读介质/存储器中和/或被配置为基带单元1704内的硬件。基带单元1704可以是基站310的组件,并且可包括存储器376和/或TX处理器316、RX处理器370和控制器/处理器375中的至少一者。
通信管理器1732包括能力组件1740,该能力组件1740被配置为(例如,如结合1402和1502所描述的)接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示。通信管理器1732还包括第一配置组件1742,该第一配置组件1742被配置为(例如,如结合1404和1504所描述的)发射用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能基于该至少一个规程的条件来切换该一个或多个ML模型。通信管理器1732还包括第二配置组件1744,该第二配置组件1744被配置为(例如,如结合1506所描述的)发射用于一个或多个第二ML模型的第二配置,用于该一个或多个ML模型的配置对应于BMG或SMG,用于该一个或多个第二ML模型的第二配置还对应于BMG或SMG中与用于该一个或多个ML模型的配置相反的一者。
该设备可包括执行图14至图15的流程图中的算法的框中的每个框的附加组件。因此,图14至图15的流程图中的每个框可由组件执行,并且该装置可包括那些组件中的一个或多个组件。这些组件可以是一个或多个硬件组件,该一个或多个硬件组件具体被配置为执行所述过程/算法、由被配置为执行所述过程/算法的处理器实现、存储在计算机可读介质中以便由处理器实现,或者它们的一些组合。
如图所示,设备1702可包括被配置用于各种功能的各种组件。在一种配置中,设备1702(具体地,基带单元1704)包括用于执行以下操作的装置:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;和用于执行以下操作的装置:发射用于该一个或多个ML模型的配置,该配置与为该一个或多个ML模型学习的至少一个规程的条件相关联,能基于该至少一个规程的条件来切换该一个或多个ML模型。设备1702还包括用于执行以下操作的装置:发射用于一个或多个第二ML模型的第二配置,用于该一个或多个ML模型的配置对应于BMG或SMG,用于该一个或多个第二ML模型的第二配置对应于BMG或SMG中与用于该一个或多个ML模型的配置相反的一者。
装置可以是设备1702的被配置为执行由该装置记载的功能的组件中的一个或多个组件。如上所述,设备1702可包括TX处理器316、RX处理器370和控制器/处理器375。因此,在一种配置中,装置可以是被配置为执行由该装置记载的功能的TX处理器316、RX处理器370和控制器/处理器375。
应当理解的是,所公开的过程/流程图中框的特定次序或层次只是对示例方法的例示。应当理解的是,基于设计偏好可以重新排列过程/流程图中框的特定次序或层次。进一步地,一些方框可以组合或者省略。所附的方法权利要求以样本次序给出了各个框的元素,但是并不意味着受限于所给出的特定次序或层次。
提供前面的描述是为了使本领域的任何技术人员能够实践本文描述的各个方面。对这些方面的各种修改对于本领域技术人员而言将是显而易见的,以及本文中所定义的通用原理可以应用于其他方面。因此,权利要求并非旨在被限定于本文中所示的方面,而是应被授予与语言上的权利要求相一致的全部范围,其中对要素的单数形式的引述除非特别声明,否则并非旨在表示″有且仅有一个″,而是″一个或多个″。诸如″如果″、″当......时″和″在......时″之类的术语应被解读为意味着″在该条件下″,而不是暗示直接的时间关系或反应。即,这些短语(例如,″当......时″)并不暗示响应于动作的发生或在动作的发生期间的立即动作,而仅暗示在满足条件的情况下将发生动作,而并不需要供动作发生的特定的或立即的时间约束。措辞″示例性″在本文中用于意指″用作示例、实例、或例示″。本文中被描述为″示例性的″任何方面未必被解释为比其他方面优选或具有优势。除非另有特别说明,否则术语″一些″指的是一个或多个。诸如″A、B或C中的至少一者″、″A、B或C中的一者或多者″、″A、B和C中的至少一者″、″A、B和C中的一者或多者″以及″A、B、C或它们的任意组合″之类的组合,包括A、B和/或C的任意组合,其可以包括多个A、多个B或多个C。具体而言,诸如″A、B或C中的至少一者″、″A、B或C中的一者或多者″、″A、B和C中的至少一者″、″A、B和C中的一者或多者″以及″A、B、C或它们的任意组合″之类的组合可以是仅A、仅B、仅C、A和B、A和C、B和C或A和B和C,其中任何此类组合可包含A、B或C的一个或多个成员。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此,且旨在被权利要求所涵盖。本文所公开的任何内容都不旨在捐献于公众,无论此类公开内容是否明确记载在权利要求书中。措辞″模块″、″机制″、″元素″、″设备″等可以不是措辞″装置″的代替。如此,没有任何权利要求元素应被解释为装置加功能,除非该元素是使用短语″用于......的装置″来明确叙述的。
以下方面仅是例示性的,并且可以与本文中所描述的其他方面或教导进行组合而没有限制。
方面1是一种在UE处进行无线通信的方法,包括:接收用于一个或多个ML模型的配置,所述配置与所述UE的至少一个规程的任务或条件中的至少一者相关联;以及将所述一个或多个ML模型分配给BMG或SMG中的至少一者,以基于所述UE的所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
方面2可与方面1组合,并且包括:分配给所述BMG的所述一个或多个ML模型对应于具有第一复杂度和第一性能的第一ML模型。
方面3可与方面1至2中的任一方面组合,并且包括:分配给所述SMG的所述一个或多个ML模型对应于具有第二复杂度和第二性能的第二ML模型,所述第二复杂度和所述第二性能高于所述第一复杂度和所述第一性能。
方面4可与方面1至3中的任一方面组合,并且包括:基于ML推断来将所述一个或多个ML模型分配给所述BMG。
方面5可与方面1至4中的任一方面组合,并且包括:基于UE能力来将所述一个或多个ML模型分配给所述SMG。
方面6可与方面1至5中的任一方面组合,并且还包括:将分配给所述BMG或所述SMG中的所述至少一者的所述一个或多个ML模型子分配到BMG子组或SMG子组中的至少一者中。
方面7可与方面1至6中的任一方面组合,并且包括:所述BMG子组对应于公共功能子组、下行链路/上行链路子组或高级功能子组中的至少一者。
方面8可与方面1至7中的任一方面组合,并且包括:所述SMG子组对应于定位子组、CSF子组或解码子组中的至少一者。
方面9可与方面1至8中的任一方面组合,并且包括:基于与所述一个或多个ML模型相关联的性能来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面10可与方面1至9中的任一方面组合,并且包括:基于与多个任务相关联的第一性能来将所述一个或多个ML模型分配给所述BMG。
方面11可与方面1至10中的任一方面组合,并且包括:基于与单个任务相关联的第二性能来将所述一个或多个ML模型分配给所述SMG。
方面12可与方面1至8中的任一方面组合,并且包括:基于所述一个或多个ML模型的复杂度来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面13可与方面1至8和12中的任一方面组合,并且包括:基于第一复杂度来将所述一个或多个ML模型分配给所述BMG。
方面14可与方面1至8和12至13中的任一方面组合,并且包括:基于高于所述第一复杂度的第二复杂度来将所述一个或多个ML模型分配给所述SMG。
方面15可与方面1至8中的任一方面组合,并且包括:基于所述UE的初始化时间来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面16可与方面1至8和15中的任一方面组合,并且包括:在所述UE的所述初始化时间将所述一个或多个ML模型分配给所述BMG。
方面17可与方面1至8和15至16中的任一方面组合,并且包括:在所述UE的所述初始化时间之后将所述一个或多个ML模型分配给所述SMG。
方面18可与方面1至8中的任一方面组合,并且包括:基于所述一个或多个ML模型的应用来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面19可与方面1至8和18中的任一方面组合,并且包括:所述BMG对应于小区特有应用。
方面20可与方面1至8和18至19中的任一方面组合,并且包括:所述SMG对应于UE特有应用或UE组特有应用中的至少一者。
方面21可与方面1至8中的任一方面组合,并且包括:基于所述一个或多个ML模型的优先级水平来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面22可与方面1至8和21中的任一方面组合,并且包括:所述BMG对应于具有第一优先级水平的第一ML模型。
方面23可与方面1至8和21至22中的任一方面组合,并且包括:所述SMG对应于具有高于所述第一优先级水平的第二优先级水平的第二ML模型。
方面24可与方面1至23中的任一方面组合,并且还包括:接收用于一个或多个第二ML模型的第二配置。
方面25可与方面1至24中的任一方面组合,并且包括:用于所述一个或多个ML模型的所述配置对应于所述BMG或所述SMG。
方面26可与方面1至25中的任一方面组合,并且包括:用于所述一个或多个第二ML模型的所述第二配置对应于所述BMG或所述SMG中与所述一个或多个ML模型的所述配置相反的一者。
方面27可与方面1至21中的任一方面组合,并且包括:用于所述一个或多个ML模型的所述配置对应于所述BMG。
方面28可与方面1至21和27中的任一方面组合并且包括:所述一个或多个ML模型中的每个ML模型对应于被索引到与所述SMG对应的一个或多个第二ML模型的所述BMG。
方面29可与方面1至28中的任一方面组合,并且还包括:报告指示执行与所述BMG或所述SMG中的所述至少一者相关联的所述一个或多个ML模型的UE能力。
方面30可与方面1至29中的任一方面组合,并且还包括:基于所述一个或多个ML模型的所述分配和所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
方面31可与方面1至30中的任一方面组合,并且还包括:基于天线或收发机中的至少一者来执行所述方法。
方面32是一种在基站处进行无线通信的方法,包括:接收对用于执行分配给BMG或SMG中的至少一者的一个或多个ML模型的UE能力的指示;以及发射用于所述一个或多个ML模型的配置,所述配置与至少一个规程的任务或条件中的至少一者相关联,所述配置用于基于所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
方面33可与方面32组合,并且包括:分配给所述BMG的所述一个或多个ML模型对应于具有第一复杂度和第一性能的第一ML模型。
方面34可与方面32至33中的任一方面组合,并且包括:分配给所述SMG的所述一个或多个ML模型对应于具有第二复杂度和第二性能的第二ML模型,所述第二复杂度和所述第二性能高于所述第一复杂度和所述第一性能。
方面35可与方面32至34中的任一方面组合,并且包括:基于ML推断来将所述一个或多个ML模型分配给所述BMG。
方面36可与方面32至35中的任一方面组合,并且包括:基于所述UE能力来将所述一个或多个ML模型分配给所述SMG。
方面37可与方面32至36中的任一方面组合,并且包括:所述一个或多个ML模型在所述BMG或所述SMG中的所述至少一者内被子分配给BMG子组或SMG子组中的至少一者。
方面38可与方面32至37中的任一方面组合,并且包括:所述BMG子组对应于公共功能子组、下行链路/上行链路子组或高级功能子组中的至少一者。
方面39可与方面32至38中的任一方面组合,并且包括:所述SMG子组对应于定位子组、C SF子组或解码子组中的至少一者。
方面40可与方面32至39中的任一方面组合,并且包括:基于与所述一个或多个ML模型相关联的性能来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面41可与方面32至40中的任一方面组合,并且包括:基于与多个任务相关联的第一性能来将所述一个或多个ML模型分配给所述BMG。
方面42可与方面32至41中的任一方面组合,并且包括:基于与单个任务相关联的第二性能来将所述一个或多个ML模型分配给所述SMG。
方面43可与方面32至39中的任一方面组合,并且包括:基于所述一个或多个ML模型的复杂度来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面44可与方面32至39和43中的任一方面组合,并且包括:基于第一复杂度来将所述一个或多个ML模型分配给所述BMG。
方面45可与方面32至39和43至44中的任一方面组合,并且包括:基于高于所述第一复杂度的第二复杂度来将所述一个或多个ML模型分配给所述术SMG。
方面46可与方面32至39中的任一方面组合,并且包括:基于初始化时间来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面47可与方面32至39和46中的任一方面组合,并且包括:在所述初始化时间将所述一个或多个ML模型分配给所述BMG。
方面48可与方面32至39和46至47中的任一方面组合,并且包括:在所述初始化时间之后将所述一个或多个ML模型分配给所述SMG。
方面49可与方面32至39中的任一方面组合,并且包括:基于所述一个或多个ML模型的应用来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面50可与方面32至39和49中的任一方面组合,并且包括:所述BMG对应于小区特有应用。
方面51可与方面32至39和49至50中的任一方面组合,并且包括:所述SMG对应于UE特有应用或UE组特有应用中的至少一者。
方面52可与方面32至39中的任一方面组合,并且包括:基于所述一个或多个ML模型的优先级水平来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者。
方面53可与方面32至39和52中的任一方面组合,并且包括:所述BMG对应于具有第一优先级水平的第一ML模型。
方面54可与方面32至39和52至53中的任一方面组合,并且包括:所述SMG对应于具有高于所述第一优先级水平的第二优先级水平的第二ML模型。
方面55可与方面32至54中的任一方面组合,并且还包括:发射用于一个或多个第二ML模型的第二配置。
方面56可与方面32至55中的任一方面组合,并且包括:用于所述一个或多个ML模型的所述配置对应于所述BMG或所述SMG。
方面57可与方面32至56中的任一方面组合,并且包括:用于所述一个或多个第二ML模型的所述第二配置对应于所述BMG或所述SMG中与所述一个或多个ML模型的所述配置相反的一者。
方面58可与方面32至54中的任一方面组合,并且包括:用于所述一个或多个ML模型的所述配置对应于所述BMG。
方面59可与方面32至54和58中的任一方面组合并且包括:所述一个或多个ML模型中的每个ML模型对应于被索引到与所述SMG对应的一个或多个第二ML模型的所述BMG。
方面60可与方面32至59中的任一方面组合,并且还包括:基于天线或收发机中的至少一者来执行所述方法。
方面61是一种用于在UE处进行无线通信的装置,所述装置被配置为执行根据方面1至31中的任一方面所述的方法。
方面62是一种用于无线通信的设备,所述设备包括用于执行根据方面1至31中的任一方面所述的方法的装置。
方面63是一种存储计算机可执行代码的非暂态计算机可读存储介质,所述代码在由至少一个处理器执行时使所述至少一个处理器执行根据方面1至31中的任一方面所述的方法。
方面64是一种用于在UE处进行无线通信的装置,所述装置被配置为执行根据方面32至60中的任一方面所述的方法。
方面65是一种用于无线通信的设备,所述设备包括用于执行根据方面32至60中的任一方面所述的方法的装置。
方面66是一种存储计算机可执行代码的非暂态计算机可读存储介质,所述代码在由至少一个处理器执行时使所述至少一个处理器执行根据方面32至60中的任一方面所述的方法。
Claims (30)
1.一种用于在用户装备(UE)处进行无线通信的装置,包括:
存储器;和
耦合到所述存储器的至少一个处理器,所述存储器和所述至少一个处理器被配置为:
接收用于一个或多个机器学习(ML)模型的配置,所述配置与所述UE的至少一个规程的任务或条件中的至少一者相关联;以及
将所述一个或多个ML模型分配给基线模型组(BMG)或特有模型组(SMG)中的至少一者,以基于所述UE的所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
2.根据权利要求1所述的装置,其中分配给所述BMG的所述一个或多个ML模型对应于具有第一复杂度和第一性能的第一ML模型,并且其中分配给所述SMG的所述一个或多个ML模型对应于具有第二复杂度和第二性能的第二ML模型,所述第二复杂度和所述第二性能高于所述第一复杂度和所述第一性能。
3.根据权利要求1所述的装置,其中能够在所述UE处基于所述UE的所述至少一个规程的所述任务或所述条件中的所述至少一者来切换所述一个或多个ML模型。
4.根据权利要求1所述的装置,其中进行以下至少一者:基于ML推断来将所述一个或多个ML模型分配给所述BMG,或者基于UE能力来将所述一个或多个ML模型分配给所述SMG。
5.根据权利要求1所述的装置,其中所述存储器和所述至少一个处理器被进一步配置为:将分配给所述BMG或所述SMG中的所述至少一者的所述一个或多个ML模型子分配到BMG子组或SMG子组中的至少一者中,所述BMG子组对应于公共功能子组、下行链路/上行链路子组或高级功能子组中的至少一者,所述SMG子组对应于定位子组、信道状态反馈(CSF)子组或解码子组中的至少一者。
6.根据权利要求1所述的装置,其中基于与所述一个或多个ML模型相关联的性能来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,基于与多个任务相关联的第一性能来将所述一个或多个ML模型分配给所述BMG,基于与单个任务相关联的第二性能来将所述一个或多个ML模型分配给所述SMG。
7.根据权利要求1所述的装置,其中基于所述一个或多个ML模型的复杂度来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,基于第一复杂度来将所述一个或多个ML模型分配给所述BMG,基于高于所述第一复杂度的第二复杂度来将所述一个或多个ML模型分配给所述SMG。
8.根据权利要求1所述的装置,其中基于所述UE的初始化时间来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,在所述UE的所述初始化时间将所述一个或多个ML模型分配给所述BMG,在所述UE的所述初始化时间之后将所述一个或多个ML模型分配给所述SMG。
9.根据权利要求1所述的装置,其中基于所述一个或多个ML模型的应用来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,所述BMG对应于小区特有应用,所述SMG对应于UE特有应用或UE组特有应用中的至少一者。
10.根据权利要求1所述的装置,其中基于所述一个或多个ML模型的优先级水平来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,所述BMG对应于具有第一优先级水平的第一ML模型,所述SMG对应于具有高于所述第一优先级水平的第二优先级水平的第二ML模型。
11.根据权利要求1所述的装置,其中所述存储器和所述至少一个处理器被进一步配置为:接收用于一个或多个第二ML模型的第二配置,用于所述一个或多个ML模型的所述配置对应于所述BMG或所述SMG,用于所述一个或多个第二ML模型的所述第二配置对应于所述BMG或所述SMG中与所述一个或多个ML模型的所述配置相反的一者。
12.根据权利要求1所述的装置,其中用于所述一个或多个ML模型的所述配置对应于所述BMG,与所述BMG对应的所述一个或多个ML模型中的每个ML模型被索引到与所述SMG对应的一个或多个第二ML模型。
13.根据权利要求1所述的装置,还包括耦合到所述至少一个处理器的天线,其中所述存储器和所述至少一个处理器被进一步配置为:经由所述天线报告用于执行与所述BMG或所述SMG中的所述至少一者相关联的所述一个或多个ML模型的UE能力。
14.根据权利要求1所述的装置,其中所述存储器和所述至少一个处理器被进一步配置为:基于所述一个或多个ML模型的所述分配和所述UE的所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
15.一种用于在基站处进行无线通信的装置,包括:
存储器;和
耦合到所述存储器的至少一个处理器,所述存储器和所述至少一个处理器被配置为:
接收对用于执行分配给基线模型组(BMG)或特有模型组(SMG)中的至少一者的一个或多个机器学习(ML)模型的用户装备(UE)能力的指示;以及
发射用于所述一个或多个ML模型的配置,所述配置与至少一个规程的任务或条件中的至少一者相关联,所述配置用于基于所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
16.根据权利要求15所述的装置,其中分配给所述BMG的所述一个或多个ML模型对应于具有第一复杂度和第一性能的第一ML模型,并且其中分配给所述SMG的所述一个或多个ML模型对应于具有第二复杂度和第二性能的第二ML模型,所述第二复杂度和所述第二性能高于所述第一复杂度和所述第一性能。
17.根据权利要求15所述的装置,其中进行以下至少一者:基于ML推断来将所述一个或多个ML模型分配给所述BMG,或者基于所述UE能力来将所述一个或多个ML模型分配给所述SMG。
18.根据权利要求15所述的装置,其中所述一个或多个ML模型在所述BMG或所述SMG中的所述至少一者内被子分配给BMG子组或SMG子组中的至少一者,所述BMG子组对应于公共功能子组、下行链路/上行链路子组或高级功能子组中的至少一者,所述SMG子组对应于定位子组、信道状态反馈(CSF)子组或解码子组中的至少一者。
19.根据权利要求15所述的装置,其中基于与所述一个或多个ML模型相关联的性能来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,基于与多个任务相关联的第一性能来将所述一个或多个ML模型分配给所述BMG,基于与单个任务相关联的第二性能来将所述一个或多个ML模型分配给所述SMG。
20.根据权利要求15所述的装置,其中基于所述一个或多个ML模型的复杂度来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,基于第一复杂度来将所述一个或多个ML模型分配给所述BMG,基于高于所述第一复杂度的第二复杂度来将所述一个或多个ML模型分配给所述SMG。
21.根据权利要求15所述的装置,其中基于初始化时间来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,在所述初始化时间将所述一个或多个ML模型分配给所述BMG,在所述初始化之后将所述一个或多个ML模型分配给所述SMG。
22.根据权利要求15所述的装置,其中基于所述一个或多个ML模型的应用来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,所述BMG对应于小区特有应用,所述SMG对应于UE特有应用或UE组特有应用中的至少一者。
23.根据权利要求15所述的装置,其中基于所述一个或多个ML模型的优先级水平来将所述一个或多个ML模型分配给所述BMG或所述SMG中的所述至少一者,所述BMG对应于具有第一优先级水平的第一ML模型,所述SMG对应于具有高于所述第一优先级水平的第二优先级水平的第二ML模型。
24.根据权利要求15所述的装置,还包括耦合到所述至少一个处理器的天线,其中所述存储器和所述至少一个处理器被进一步配置为:经由所述天线发射用于一个或多个第二ML模型的第二配置,用于所述一个或多个ML模型的所述配置对应于所述BMG或所述SMG,用于所述一个或多个第二ML模型的所述第二配置对应于所述BMG或所述SMG中与所述一个或多个ML模型的所述配置相反的一者。
25.根据权利要求15所述的装置,其中用于所述一个或多个ML模型的所述配置对应于所述BMG,与所述BMG对应的所述一个或多个ML模型中的每个ML模型被索引到与所述SMG对应的一个或多个第二ML模型。
26.一种在用户装备(UE)处进行无线通信的方法,包括:
接收用于一个或多个机器学习(ML)模型的配置,所述配置与所述UE的至少一个规程的任务或条件中的至少一者相关联;以及
将所述一个或多个ML模型分配给基线模型组(BMG)或特有模型组(SMG)中的至少一者,以基于所述UE的所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
27.根据权利要求26所述的方法,其中分配给所述BMG的所述一个或多个ML模型对应于具有第一复杂度和第一性能的第一ML模型,并且其中分配给所述SMG的所述一个或多个ML模型对应于具有第二复杂度和第二性能的第二ML模型,所述第二复杂度和所述第二性能高于所述第一复杂度和所述第一性能。
28.根据权利要求26所述的方法,其中能在所述UE处基于所述UE的所述至少一个规程的所述任务或所述条件中的所述至少一者来切换所述一个或多个ML模型。
29.一种在基站处进行无线通信的方法,包括:
接收对用于执行分配给基线模型组(BMG)或特有模型组(SMG)中的至少一者的一个或多个机器学习(ML)模型的用户装备(UE)能力的指示;以及
发射用于所述一个或多个ML模型的配置,所述配置与至少一个规程的任务或条件中的至少一者相关联,所述配置用于基于所述至少一个规程的所述任务或所述条件中的所述至少一者来在所述一个或多个ML模型之间切换。
30.根据权利要求29所述的方法,其中分配给所述BMG的所述一个或多个ML模型对应于具有第一复杂度和第一性能的第一ML模型,并且其中分配给所述SMG的所述一个或多个ML模型对应于具有第二复杂度和第二性能的第二ML模型,所述第二复杂度和所述第二性能高于所述第一复杂度和所述第一性能。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/111676 WO2023015428A1 (en) | 2021-08-10 | 2021-08-10 | Ml model category grouping configuration |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117881977A true CN117881977A (zh) | 2024-04-12 |
Family
ID=77626879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180101360.9A Pending CN117881977A (zh) | 2021-08-10 | 2021-08-10 | Ml模型类别分组配置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4384841A1 (zh) |
CN (1) | CN117881977A (zh) |
WO (1) | WO2023015428A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024093057A1 (en) * | 2023-02-24 | 2024-05-10 | Lenovo (Beijing) Limited | Devices, methods, and computer readable storage medium for communication |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110892760B (zh) * | 2017-08-21 | 2021-11-23 | 北京嘀嘀无限科技发展有限公司 | 基于深度学习定位终端设备 |
US11032665B1 (en) * | 2020-02-25 | 2021-06-08 | At&T Intellectual Property I, L.P. | User equipment geolocation |
-
2021
- 2021-08-10 CN CN202180101360.9A patent/CN117881977A/zh active Pending
- 2021-08-10 WO PCT/CN2021/111676 patent/WO2023015428A1/en active Application Filing
- 2021-08-10 EP EP21765552.1A patent/EP4384841A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023015428A1 (en) | 2023-02-16 |
EP4384841A1 (en) | 2024-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230319617A1 (en) | Processing timeline considerations for channel state information | |
US11825553B2 (en) | UE capability for AI/ML | |
US11916611B2 (en) | Neural network model sharing with zone identifier | |
US11818806B2 (en) | ML model training procedure | |
WO2023015428A1 (en) | Ml model category grouping configuration | |
US20230068633A1 (en) | Ue indication of null tone placement for demodulation | |
WO2023015430A1 (en) | The combined ml structure parameters configuration | |
WO2023015431A1 (en) | Dci-based indication to trigger the combined ml model | |
WO2023060417A1 (en) | Ue clustering in fl model update reporting | |
US11889503B2 (en) | UE feedback of non-preferred time-frequency resources | |
WO2023102711A1 (en) | Transmit energy report for time averaged transmission power transmission | |
WO2023070361A1 (en) | Ris configuration computation using reinforcement learning | |
WO2022222057A1 (en) | Out of distribution samples reporting for neural network optimization | |
US20240063961A1 (en) | Null tones adaptation using reinforcement learning | |
WO2023201706A1 (en) | Feedback for groupcast transmissions in presence of energy harvesting devices | |
US20230039254A1 (en) | Transfer/federated learning approaches to mitigate blockage in millimeter wave systems | |
WO2023184156A1 (en) | Techniques to determine ue communication states via machine learning | |
WO2024049634A1 (en) | Encoder selection | |
WO2024054373A1 (en) | Ack coalescing performance through dynamic stream selection | |
WO2023196088A1 (en) | Systematic and semi deterministic mapping between synchronization signal block ids and physical transmission beams for more efficient beam management | |
CN117678281A (zh) | 利用pucch载波切换的基于组公共dci的功率控制 | |
CN117813903A (zh) | 用于具有不同能力的ue的bwp配置 |
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 |