CN118042476A - 切换或更新ai模型的方法以及通信装置 - Google Patents
切换或更新ai模型的方法以及通信装置 Download PDFInfo
- Publication number
- CN118042476A CN118042476A CN202211358580.2A CN202211358580A CN118042476A CN 118042476 A CN118042476 A CN 118042476A CN 202211358580 A CN202211358580 A CN 202211358580A CN 118042476 A CN118042476 A CN 118042476A
- Authority
- CN
- China
- Prior art keywords
- model
- network element
- information
- parameter
- network
- 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 title claims abstract description 148
- 238000004891 communication Methods 0.000 title claims description 125
- 238000012549 training Methods 0.000 claims description 108
- 238000005259 measurement Methods 0.000 claims description 78
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 28
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 230000006866 deterioration Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 36
- 238000012544 monitoring process Methods 0.000 description 34
- 238000012545 processing Methods 0.000 description 21
- 230000002146 bilateral effect Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002346 layers by function Substances 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 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
- H04L41/16—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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种切换或更新AI模型的方法,通过对AI模型的输入或中间性能指标进行监测,例如对AI模型的输入的指标进行监测,或者对AI模型的中间性能指标进行监测,可以获知AI模型的使用环境(推理网元的移动速度、信道环境等)的变化,从而根据对应关系信息判断是否需要对AI模型进行切换或更新,可以适应AI模型的使用环境的变化,有助于改善由于AI模型的使用环境发生较大变化而导致AI模型的性能的下降或恶化的问题。
Description
技术领域
本申请实施例涉及机器学习领域,更具体地,涉及一种切换或更新AI模型的方法以及通信装置。
背景技术
目前,人工智能(artificial Intelligence,AI)被引入无线通信网络中,已广泛应用于空口技术的诸多应用场景,例如,基于AI的信道状态信息(channel stateinformation,CSI)预测、基于AI的波束管理以及基于AI的CSI反馈等,并发挥着越来越重要的作用。
但是,部署了AI模型的网络的性能评估结果表明,网络性能不稳定,并且在一些情况下网络性能恶化严重。
发明内容
本申请提供一种切换或更新AI模型的方法和通信装置,也即,一种AI模型的监督方法和通信装置,以期提高部署了AI模型的网络的性能。
第一方面,提供了一种切换或更新AI模型的方法,该方法可以由网元执行,或者,也可以由芯片或电路执行,本申请对此不作限定。下面以第一网元为例进行说明。该方法可以包括:
第一网元获取第一信息,所述第一信息指示第一参数的估计结果,所述第一参数的估计结果是基于信道测量结果的,所述信道测量结果为AI模型的输入;
所述第一网元根据对应关系信息和所述第一信息,确定是否对第一AI模型进行切换或更新,所述第一AI模型部署于所述第一网元或第二网元,其中,所述对应关系信息指示M个AI模型和第一参数的N个取值之间的对应关系,M为大于或等于1的整数,N为大于或等于1的整数。
在本申请的技术方案中,第一网元通过对AI模型的输入的指标(例如,第一参数)进行监测,可以获知AI模型的使用环境是否发生变化,例如,部署AI模型的网元的移动速度是否变化,信道环境是否变化等,由此可以判断是否对AI模型进行切换或更新,以适应使用环境的变化,有助于改善由于AI模型的使用环境的变化而导致部署该AI模型的网络的性能下降的问题。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行切换或更新,包括:
所述第一网元确定所述第一参数的估计结果对应所述N个取值中的第一取值,所述第一取值和所述M个AI模型中的第二AI模型对应;
所述第一网元确定将所述第一AI模型切换为所述第二AI模型。
在该实现方式中,第一网元根据对应关系信息和第一参数的估计结果,可以判断是否对当前使用的AI模型进行切换。由此,第一网元通过监测第一参数的估计结果,可以及时获知AI模型的使用环境的变化,从而及时切换AI模型,以保证AI模型的性能。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行切换或更新,包括:
所述第一网元确定所述第一参数的估计结果与N个取值中的任何一个取值不对应;
所述第一网元确定对所述第一AI模型进行更新。
在该实现方式中,第一网元根据对应关系信息和第一参数的估计结果,可以判断是否对当前使用的AI模型进行更新。由此,第一网元通过监测第一参数的估计结果,可以及时获知AI模型的使用环境的变化,在当前的模型库中没有适应当前使用环境的AI模型的情况下,及时对AI模型进行更新,以保证AI模型的性能。
结合第一方面,在第一方面的某些实现方式中,所述第一AI模型部署于所述第一网元,所述第一网元为终端设备。
在该实现方式中,终端设备通过监测AI模型的输入的指标,例如,终端设备的移动速度的变化,可以自己判断是否对当前使用的第一AI模型进行切换或更新,在不同的使用环境下,可以保证终端设备上部署的AI模型的性能。
结合第一方面,在第一方面的某些实现方式中,所述第一网元获取第一信息之前,所述方法还包括:
所述第一网元接收第二信息,所述第二信息指示所述第一参数。
在该实现方式中,若对应关系信息记录多个监测指标的取值和AI模型之间的对应关系,则第一网元可以获取第二信息,以确定具体的监测指标,也即第一参数。该实现可以支持AI模型与多个监测指标之间建立对应关系,可以提高AI模型部署环境的多样化,基于不同的部署环境,选择相应的监测指标进行监测,以及时切换或更新AI模型。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定将所述第一AI模型切换为所述第二AI模型之后,所述方法还包括:
所述第一网元向所述第二网元发送第一指示信息,所述第一指示信息用于指示所述第一网元请求将所述第一AI模型切换为所述第二AI模型。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:
所述第一网元接收来自于所述第二网元的所述第二AI模型;
所述第一网元将所述第一AI模型切换为所述第二AI模型。
在该实现方式中,第一网元确定对AI模型进行切换之后,向第二网元发送切换请求,以从第二网元获取第二AI模型,可以及时切换AI模型,保证AI模型的性能,进而有助于部署了AI模型的网络的性能的稳定。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系和所述第一信息,确定对所述第一AI模型进行更新之后,所述方法还包括:
所述第一网元向所述第二网元发送第二指示信息,所述第二指示信息用于请求对所述第一AI模型进行更新。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:
所述第一网元向所述第二网元发送训练数据,所述训练数据用于所述第一AI模型的更新。可选地,所述训练数据包括所述第一参数的估计结果。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:
所述第一网元接收来自于所述第二网元的第三AI模型;
所述第一网元将所述第一AI模型更新为所述第三AI模型。
在该实现方式中,第一网元确定对AI模型进行更新之后,向第二网元发送更新请求,以从第二网元获取新的第三AI模型,可以及时更新AI模型,保证AI模型的性能,进而有助于部署了AI模型的网络的性能的稳定。
结合第一方面,在第一方面的某些实现方式中,所述第一网元获取第一信息,包括:
所述第一网元测量参考信号,获得所述信道测量结果;
所述第一网元根据所述信道测量结果,获得所述第一参数的估计结果,所述第一信息包括所述第一参数的估计结果。
在该实现方式中,UE通过测量参考信号确定监测指标(即第一参数)的取值,可以实现对AI模型的输入的监测,可以判断AI模型的使用环境的变化,及时判断是否有切换或更新AI模型的需求。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行切换或更新之前,所述方法还包括:
所述第一网元从所述第二网元或第三网元获取所述对应关系信息的部分或全部。
在该实现方式中,对应关系信息可以由第一网元预先从第二网元或第三网元获取并保存,以用于后续对AI模型进行切换或更新的判断。对应关系信息可以灵活配置,当对应关系信息变化,也可以通过第二网元或第三网元及时向第一网元下发更新后的配置。
结合第一方面,在第一方面的某些实现方式中,所述第一网元为网络设备,所述第一AI模型部署于所述第二网元,所述第二网元为终端设备。
结合第一方面,在第一方面的某些实现方式中,所述第一网元获取第一信息,包括:
所述第一网元接收来自于所述第二网元的所述第一信息,所述第一信息包括所述第一参数的估计结果,或者,所述第一信息包括用于确定所述第一参数的估计结果的信息,所述第一参数的估计结果是基于所述第二网元侧通过参考信号的测量所获得的信道测量结果的。
在该实现方式中,第一网元为网络侧设备,第一网元从第二网元获取第一信息,并判断是否对第二网元部署的第一AI模型进行切换或更新,可以在网络侧对终端设备部署的AI模型进行切换或更新,以保证终端侧的AI模型的性能,进而保证部署了该AI模型的网络的性能。
结合第一方面,在第一方面的某些实现方式中,若所述第一网元根据对应关系信息和所述第一信息,确定将所述第一AI模型切换为所述第二AI模型,所述方法还包括:
所述第一网元向所述第二网元发送所述第二AI模型。
在该实现方式中,第一网元为网络侧设备,第一网元为终端侧的AI模型库的存储网元,相比于终端侧自己存储AI模型库,可以降低终端侧的存储开销。
结合第一方面,在第一方面的某些实现方式中,若所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行更新,所述方法还包括:
所述第一网元获取训练数据;
所述第一网元基于所述训练数据,进行AI模型的训练,获得第三AI模型;
所述第一网元向所述第二网元发送所述第三AI模型。
在该实现方式中,第一网元为网络侧设备,第一网元在确定对第二网元部署的AI模型进行更新的情况下,通过训练获得新的AI模型并提供给终端侧,以保证终端侧的AI模型的性能。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定将所述第一AI模型切换为所述第二AI模型之后,所述方法还包括:
所述第一网元向所述第二网元发送第一指示信息,所述第一指示信息用于指示所述第一网元请求将所述第一AI模型切换为所述第二AI模型;
所述第一网元接收来自于所述第二网元的第三指示信息,所述第三指示信息用于指示所述第一网元对所述第一AI模型进行切换;
所述第一网元基于所述第三指示信息,将所述第一AI模型切换为所述第二AI模型。
在该实现方式中,第一网元和第二网元可以协同进行AI模型的切换,主要适用于双边模型中AI模型的切换,可以保证双边模型应用场景下AI模型的及时切换,有助于保证部署双边模型的网络的性能的稳定。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定将所述第一AI模型切换为所述第二AI模型之后,所述方法还包括:
所述第一网元向所述第二网元发送第一指示信息,所述第一指示信息用于指示所述第一网元请求将所述第一AI模型切换为所述第二AI模型;
所述第一网元接收来自于所述第二网元的第三指示信息,所述第三指示信息用于指示所述第一网元不对所述第一AI模型进行切换。
在该实现方式中,当双边模型中某一AI模型不能进行切换,例如没有可供切换的AI模型,则第一网元和第二网元均不对AI模型进行切换。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行更新之后,所述方法还包括:
所述第一网元向所述第二网元发送第二指示信息和所述第一参数的估计结果,所述第二指示信息用于指示所述第一网元请求对所述第一AI模型进行更新;
所述第一网元接收来自于所述第二网元的第四指示信息,所述第四指示信息用于指示所述第一网元对所述第一AI模型进行更新;
所述第一网元基于所述第四指示信息,将所述第一AI模型更新为第三AI模型,所述第三AI模型是基于所述第一参数的估计结果训练得到。
在该实现方式中,第一网元和第二网元可以协同进行AI模型的更新,可以保证双边模型应用场景下AI模型的及时更新,有助于保证部署双边模型的网络的性能的稳定。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行更新之后,所述方法还包括:
所述第一网元向所述第二网元发送第二指示信息和所述第一参数的估计结果,所述第二指示信息用于指示所述第一网元请求对所述第一AI模型进行更新;
所述第一网元接收来自于所述第二网元的第四指示信息,所述第四指示信息用于指示所述第一网元不对所述第一AI模型进行更新。
在该实现方式中,当没有可用于更新训练的训练数据的情况下,则双边模型中的第一网元和第二网元均不对AI模型进行更新。
结合第一方面,在第一方面的某些实现方式中,所述AI模型应用于CSI预测或波束管理、或CSI反馈。
结合第一方面,在第一方面的某些实现方式中,所述第一参数包括如下一项或多项:
所述终端设备的移动速度;
信道的信号噪声干扰比SINR;
反映信道的非视距NLOS程度的参数。
在该实现方式中,可以基于AI模型的使用环境的不同,AI模型的性能不同,由此可以根据不同的使用环境,选择监测不同的第一参数,以对AI模型的性能造成影响的最关键指标进行监测,从而作出更为准确的判断,以及时对AI模型进行切换或更新,有助于保证AI模型的性能,以及部署该AI模型的网络的性能。
结合第一方面,在第一方面的某些实现方式中,所述参考信号为信道状态信息-参考信号CSI-RS。
结合第一方面,在第一方面的某些实现方式中,所述第一网元上部署有第四AI模型,所述第四AI模型与所述第一AI模型匹配使用;
所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行切换,包括:
所述第一网元确定所述第一参数的估计结果对应所述N个取值中的第一取值,所述第一取值和所述M个AI模型中的第二AI模型对应;
所述第一网元确定保存的W个部署于所述第一网元的AI模型中是否包含与所述第二AI模型匹配的AI模型,W为大于或等于1的整数;
所述第一网元根据确定结果,确定是否对所述第一AI模型进行切换。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据确定结果,确定是否对所述第一AI模型进行切换,包括:
若所述确定结果为所述W个AI模型中包含与所述第二AI模型匹配的第五AI模型,所述第一网元确定将所述第一AI模型切换为所述第二AI模型;
所述方法还包括:
所述第一网元向所述第二网元发送第三指示信息,所述第三指示信息用于指示将所述第一AI模型切换为第二AI模型;
所述第一网元将所述第四AI模型切换为所述第五AI模型。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据确定结果,确定是否对所述第一AI模型进行切换,包括:
若所述确定结果为所述W个AI模型中不包含与所述第二AI模型匹配的AI模型,所述第一网元确定不对所述第一AI模型进行切换。
结合第一方面,在第一方面的某些实现方式中,所述第一网元上部署有第四AI模型,所述第四AI模型与所述第一AI模型匹配使用;
所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行更新,包括:
所述第一网元确定所述第一参数的估计结果与所述N个取值中的任何一个取值不对应;
所述第一网元确定是否能够获得用于所述第一AI模型的更新的训练数据,并根据确定结果,确定是否对所述第一AI模型进行更新。
结合第一方面,在第一方面的某些实现方式中,若第一网元确定能够获得用于所述第一AI模型的更新的训练数据,所述第一网元确定对所述第一AI模型进行更新;
所述方法还包括:
所述第一网元向所述第二网元发送第四指示信息,所述第四指示信息指示所述第一网元对所述第一AI模型进行更新;
所述第一网元将所述第四AI模型更新为所述第六AI模型。
结合第一方面,在第一方面的某些实现方式中,所述第一网元根据确定结果,确定是否对所述第一AI模型进行更新,包括:
若第一网元确定没有用于所述第一AI模型的更新的训练数据,所述第一网元确定不对所述第一AI模型进行更新。
以上实现方式中,第一网元根据第二网元提供的第一参数的估计结果,对双边模型中的AI模型(具体为第一网元部署的第四A模型和第二网元部署的第一AI模型)是否切换或更新进行及时的判断,有助于保证AI模型的性能,以及部署该AI模型的网络的性能。
第二方面,提供了一种切换或更新AI模型的方法,该方法可以由网元执行,或者,也可以由芯片或电路执行,本申请对此不作限定。下面以第二网元为例进行说明。
该方法可以包括:
第二网元获取第一网元反馈的信道测量结果;
所述第二网元基于第四AI模型对所述反馈的信道测量结果进行恢复,得到恢复的信道测量结果;
所述第二网元根据所述反馈的信道测量结果和所述恢复的信道测量结果,确定是否对所述第四AI模型进行切换或更新。
在该技术方案中,第二网元根据双边模型的中间性能指标的监测结果,可以及时判断是否对双边模型的AI模型进行切换或更新,有助于保证双边模型中的AI模型的性能,以及部署该双边模型的网络的性能。
可选的,所述反馈的信道测量结果是所述第一网元基于第一AI模型对测量的信道测量结果进行处理得到的。
结合第二方面,在第二方面的某些实现方式中,所述第二网元根据反馈的信道测量结果和所述恢复的信道测量结果,确定所述第四AI模型是否进行切换或更新,包括:
所述第二网元根据所述反馈的信道测量结果、所述恢复的信道测量结果和验证数据集,确定所述验证数据集的误差指标的取值;
若所述误差指标的取值不满足设定条件,所述第二网元确定对所述第四AI模型不作切换或更新;或者,
若所述误差指标的取值满足设定条件,所述第二网元确定对所述第四AI模型进行切换或更新。
可选地,设定条件可以包括:误差指标的取值大于或等于设定阈值T。
以误差指标为GCS为例,已知GCS用向量空间中两向量夹角的余弦值作为衡量两个个体之间差异的大小。余弦值越接近1,表明两个向量的夹角越接近0度,则两个向量越相似。余弦值越接近0,表明两个向量的夹角越接近180度,则两个向量越不相似。在本申请中,根据第四AI模型对反馈的信道测量结果进行恢复,得到恢复的信道测量结果。根据恢复的信道测量结果和验证数据集,可以计算获得GCS。具体地,验证数据集为第一网元侧的测量的信道测量结果,为第四AI模型的标签。将恢复的信道测量结果和测量的信道测量结果进行比较,得到GCS。GCS的取值越大,代表恢复的信道测量结果和测量的信道测量结果越接近,也即第四AI模型对反馈的信道测量结果的恢复精度越高。针对GCS设定一个阈值T,例如,阈值T=0.95,当GCS的取值大于或等于0.95,则表示第四AI模型在当前使用环境下的精度是满足需求的,也即第四AI模型是适应当前使用环境的,因此可以不作切换或更新。相反,则表示第四AI模型的在当前使用环境下的精度不满足需求,因此第二网元有切换或更新第四AI模型的需求。
结合第二方面,在第二方面的某些实现方式中,若所述误差指标的取值满足设定条件,所述第二网元确定对所述第四AI模型进行切换或更新,包括:
若所述误差指标的取值满足设定条件,且所述第二网元保存的Q个AI模型中包含第五AI模型,所述第五AI模型的复杂度高于当前使用的第四AI模型的复杂度,所述第二网元确定对所述第四AI模型进行切换;或者,
若所述误差指标的取值满足设定条件,且所述第二网元保存的Q个AI模型中不包含复杂度高于当前使用的第四AI模型的复杂度的AI模型,所述第二网元确定对所述第四AI模型进行更新。
结合第二方面,在第二方面的某些实现方式中,若所述第二网元确定对所述第四AI模型进行切换或更新,所述方法还包括:
所述第二网元向所述第一网元发送切换请求或更新请求,所述切换请求指示请求对所述第四AI模型进行切换,所述更新请求用于请求对第四AI模型进行更新;
所述第二网元接收来自于所述第一网元的指示切换的信息或指示更新的信息;
所述第二网元基于所述指示切换的信息,将所述第四AI模型切换为第五AI模型,或者,所述第二网元基于所述指示更新的信息,将所述第四AI模型更新为第六AI模型。
第三方面,提供了一种切换或更新AI模型的方法,该方法可以由网元执行,或者,也可以由芯片或电路执行,本申请对此不作限定。下面以第一网元为例进行说明。该方法与第二方面的方法对应。
该方法可以包括:
第一网元接收来自于第二网元的切换请求,所述切换请求指示所述第二网元请求对AI模型进行切换;
所述第一网元基于所述切换请求,根据对应关系信息,确定是否对当前使用的第一AI模型进行切换,其中,所述对应关系信息指示Q个AI模型和AI模型的Q个复杂度信息之间的对应关系,所述第一AI模型对应的复杂度信息指示第一复杂度等级,Q为大于或等于1的整数。
在该技术方案中,第一网元根据切换请求,确定是否对当前使用的AI模型进行切换。由于该切换请求是第二网元基于对双边模型的中间性能指标的监测结果而发送给第一网元的,因此,可以及时判断是否对双边模型的AI模型进行切换,有助于保证双边模型中的AI模型的性能,以及部署该双边模型的网络的性能。
结合第三方面,在第三方面的某些实现方式中,所述第一网元基于所述切换请求,根据对应关系信息,确定是否对当前使用的第一AI模型进行切换,包括:
所述第一网元基于所述切换请求,确定所述Q个AI模型中是否包含与第二复杂度等级对应的AI模型,所述第二复杂度等级高于所述第一复杂度等级;
若所述Q个AI模型中包含与所述第二复杂度等级对应的第二AI模型,所述第一网元确定将所述第一AI模型切换为所述第二AI模型;
所述方法还包括:
所述第一网元向所述第一网元发送指示切换的信息;
所述第一网元将所述第一AI模型切换为所述第二AI模型。
结合第三方面,在第三方面的某些实现方式中,所述第一网元基于所述切换请求,根据对应关系信息,确定是否对当前使用的第一AI模型进行切换,包括:
所述第二网元基于所述切换请求,确定所述Q个AI模型中是否包含与所述第二复杂度等级对应的AI模型,所述第二复杂度等级高于所述第一复杂度等级;
若所述Q个AI模型中不包含与所述第二复杂度等级对应的AI模型,所述第二网元确定不对所述第一AI模型作切换;
所述方法还包括:
所述第二网元向所述第一网元发送不作切换的指示信息。
可选地,结合第三方面,在第三方面的某些实现方式中,第一网元接收来自于第二网元的更新请求,所述更新请求指示所述第二网元请求对AI模型进行更新;
所述第一网元基于所述更新请求,确定是否对第一AI模型进行更新。
其中,第一网元基于更新请求,确定是否对第一AI模型进行更新的具体实现,可以参考第一方面中,第一网元根据对应关系信息和第一信息,确定是否对第一AI模型进行更新的实现方式,过程是类似的,不再赘述。
关于第二方面和第三方面中其它实现方式的技术效果,可以参考第一方面中双边模型的实现方式的技术效果的说明,不再赘述。
第四方面,本申请提供一种切换或更新AI模型的方法,该方法包括:
第二网元向第一网元发送对应关系信息,所述对应关系信息指示M个AI模型和第一参数的N个取值之间的对应关系,M为大于或等于1的整数,N为大于或等于1的整数;
或者,
所述对应关系信息指示Q个AI模型和AI模型的R个复杂度信息之间的对应关系,所述R个复杂度信息所指示的复杂度等级不同,Q和R均为大于或等于1的整数。
结合第四方面,在第四方面的某些实现方式中,所述方法还包括:
所述第二网元向所述第一网元发送第二信息,所述第二信息指示所述第一参数。
第五方面,本申请提供一种通信装置,该通信装置可以包括用于执行第一方面至第四方面所述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。该通信装置可以为第一网元或第二网元。
在一种实现方式中,该通信装置为通信设备,示例性地,该通信设备可以包括通信单元和/或处理单元。通信单元可以是收发器,或,输入/输出接口;处理单元可以是至少一个处理器。可选地,收发器可以为收发电路。可选地,输入/输出接口可以为输入/输出电路。
在另一种实现方式中,该装置为用于通信设备中的芯片、芯片系统或电路。当该装置为用于终端设备中的芯片、芯片系统或电路时,通信单元可以是该芯片、芯片系统或电路上的输入/输出接口、接口电路、输出电路、输入电路、管脚或相关电路等;处理单元可以是至少一个处理器、处理电路或逻辑电路等。
在一个示例中,该通信装置为终端设备,或者该通信装置为设置于终端设备中的芯片、芯片系统或电路等。在另一个示例中,该通信装置为接入网设备,或者该通信装置为设置于接入网设备中的芯片、芯片系统或电路等。
第六方面,本申请提供一种通信装置,该通信装置包括处理器,处理器用于执行存储器中存储的计算机程序或指令,以执行上述第一方面或第三方面及其任意一种实现方式中提供的方法。可选地,该通信装置还包括该存储器。该通信装置可以为第一网元。
第七方面,本申请提供一种通信装置,该通信装置包括处理器和通信接口,用于执行上述第二方面或第四方面及其任意一种实现方式中提供的方法。示例性地,该通信接口可以是收发器、硬件电路、总线、模块、管脚等或其它类型的通信接口。
第八方面,本申请还提供了一种计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述第一方面至第四方面的任一方面,或者,如第一方面至第四方面的任一实现方式中提供的方法。
第九方面,本申请还提供了一种计算机程序产品,包括指令,当所述指令在计算机上运行时,使得计算机执行上述第一方面至第四方面,或者,如第一方面至第四方面的任一实现方式中提供的方法。
第十方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序或指令,当所述计算机程序或者指令在计算机上运行时,使得所述计算机执行上述第一方面至第四方面,或者,如第一方面至第四方面的任一实现方式中提供的方法。
第十一方面,本申请还提供了一种芯片,所述芯片用于读取存储器中存储的计算机程序,执行上述第一方面至第四方面的任一方面的方法,或者,如第一方面至第四方面的任一实现方式中的方法;或者,所述芯片包括用于执行上述第一方面至第四方面,或者,如第一方面至第四方面的任一实现方式提供的方法的电路。
第十二方面,本申请还提供了一种芯片系统,该芯片系统包括处理器,用于支持装置实现上述第一方面至第四方面的任一方面的方法,或者如所述第一方面至第四方面中任一实现方式提供的方法。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器用于保存该装置必要的程序和数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第十三方面,本申请提供一种通信系统,包括前述的第一网元和第二网元。
示例性地,第一网元和第二网元中的一个为终端设备,另一个为网络设备,如接入网设备。
如上第二方面至第十三方面的任一方面或其任一实现方式所提供的方案的技术效果,可参考第一方面中的相应描述,不再赘述。
附图说明
图1为适用于本申请实施例的通信系统的示意图。
图2为本申请提供的切换或更新AI模型的方法的示意性流程图。
图3为本申请提供的切换或更新AI模型的方法的一个示例。
图4为本申请提供的切换或更新AI模型的方法的一个示例。
图5为基于AI的CSI预测的示意图。
图6为本申请提供的切换或更新AI模型的方法的一个应用示例。
图7为本申请提供的切换或更新AI模型的方法的一个应用示例。
图8为基于AI的CSI反馈过程示意图。
图9为本申请提供的切换AI模型的方法的示意性流程图。
图10为本申请提供的更新AI模型的方法的示意性流程图。
图11为本申请提供的切换或更新AI模型的方法在AI-CSI反馈中的应用示例。
图12为本申请提供的切换或更新AI模型的方法的示意性流程图。
图13为本申请提供的通信装置的示意性框图。
图14为本申请提供的通信装置的示意性框图。
具体实施方式
下面将结合附图,对本申请实施例中的技术方案进行描述。
本申请提供的技术方案可以应用于各种通信系统,例如,该通信系统可以是第四代(4th generation,4G)通信系统(例如长期演进(long term evolution,LTE)系统)、第五代(5th generation,5G)通信系统、全球互联微波接入(worldwide interoperability formicrowave access,WiMAX)或者无线局域网(wireless local area network,WLAN)系统、卫星通信系统,或者是未来的通信系统,例如6G通信系统,或者多种系统的融合系统等。其中,5G通信系统还可以称为新无线(new radio,NR)系统。
通信系统中的一个网元可以向另一个网元发送信号,或者从另一个网元接收信号。其中信号可以包括信息、信令或者数据等。其中,网元也可以被替换为实体、网络实体、设备、通信设备、通信模块、节点、通信节点等等,本申请中以网元为例进行描述。
适用于本申请的通信系统,可以包括第一网元和第二网元,可选地,还包括第三网元。其中,关于第一网元、第二网元以及第三网元的数量不作限定。
在本申请实施例中,终端设备可以是用户侧的一种用于接收或发射信号的实体,如手机。终端设备包括具有无线连接功能的手持式设备、连接到无线调制解调器的其他处理设备或车载设备等。终端设备可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置。终端设备120可以广泛应用于各种场景,例如蜂窝通信、WiFi系统、D2D、V2X、端到端(peer to peer,P2P)、M2M、机器类型通信(machine type communication,MTC)、物联网(internet of things,IoT)、虚拟现实(virtual reality,VR)、增强现实(augmentedreality,AR)、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能穿戴、智能交通、智慧城市、无人机、机器人、遥感、被动传感、定位、导航与跟踪、自主交付与移动等。通信设备120的一些举例为:3GPP标准的用户设备(user equipment,UE)、WiFi系统中的站点(station,STA)、固定设备、移动设备、手持设备、可穿戴设备、蜂窝电话、智能电话、会话发起协议(session initialization protocol,SIP)电话、笔记本电脑、个人计算机、智能书、车辆、卫星、全球定位系统(global positioning system,GPS)设备、目标跟踪设备、无人机、直升机、飞行器、船只、遥控设备、智能家居设备、工业设备、个人通信业务(personalcommunication service,PCS)电话、无线本地环路(wireless local loop,WLL)站、个人数字助理(personal digital assistant,PDA)、无线网络摄像头、平板电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备如智能手表、虚拟现实(virtualreality,VR)设备、增强现实(augmented reality,AR)设备、工业控制(industrialcontrol)中的无线终端、车联网系统中的终端、无人驾驶(self driving)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端如智能加油器,高铁上的终端设备以及智慧家庭(smarthome)中的无线终端,如智能音响、智能咖啡机、智能打印机等。终端设备120可以为以上各种场景中的无线设备或用于设置于无线设备的装置,例如,上述设备中的通信模块、调制解调器或芯片等。终端设备也可以称为终端、用户设备(user equipment,UE)、移动台(mobilestation,MS)、移动终端(mobile terminal,MT)等。终端设备还可以是未来的无线通信系统中的终端设备。此外,终端设备还可以包括位置参考设备,例如,自动导航小车(automatedguided vehicle,AGV)或具有类似功能的设备。本申请的实施例对终端设备所采用的具体技术和具体设备形态不做限定。为了描述方便,下文将终端设备以终端或UE为例来描述。
本申请中,用于实现终端设备功能的通信装置可以是终端设备,也可以是具有以上通信设备的部分功能的终端设备,也可以是能够支持实现以上终端设备的功能的装置,例如芯片系统,该装置可以被安装在终端设备中或者和终端设备匹配使用。本申请中,芯片系统可以由芯片构成,也可以包括芯片和其他分立器件。
网络设备可以是提供无线通信功能服务的设备,可以与终端设备进行通信,通常位于网络侧。该网络设备可以称为接入网设备或无线接入网设备,例如,网络设备可以为基站。示例性地,本申请实施例中的接入网设备包括但不限于第五代(5th generation,5G)通信系统中的下一代基站(gNodeB,gNB)、第六代(6th generation,6G)移动通信系统中的基站、未来移动通信系统中的基站,无线保真(wireless fidelity,WiFi)系统中的接入节点(access point,AP),长期演进(long term evolution,LTE)系统中的演进型节点B(evolved node B,eNB)、无线网络控制器(radio network controller,RNC)、节点B(nodeB,NB)、基站控制器(base station controller,BSC)、家庭基站(例如,home evolvedNodeB,或home Node B,HNB)、基带单元(base band unit,BBU),传输接收点(transmissionreception point,TRP)、发射点(transmitting point,TP)、基站收发台(basetransceiver station,BTS)、卫星、无人机等。在一种网络结构中,网络设备可以包括集中单元(centralized unit,CU)节点,或包括分布单元(distributed unit,DU)节点,或者为包括CU节点和DU节点的RAN设备,或者为包括控制面CU节点和用户面CU节点,以及DU节点的RAN设备,或者,网络设备还可以为云无线接入网络(cloud radio access network,CRAN)场景下的无线控制器、中继站、车载设备以及可穿戴设备等。此外,基站可以是宏基站、微基站、中继节点、施主节点,或其组合。基站还可以指用于设置于前述设备或装置内的通信模块、调制解调器或芯片。基站还可以是移动交换中心以及设备到设备(device to device,D2D)、车辆外联(vehicle-to-everything,V2X)、机器到机器(machine to machine,M2M)通信中承担基站功能的设备、6G网络中的网络侧设备、未来的通信系统中承担基站功能的设备等。基站可以支持相同或不同接入技术的网络,不作限定。基站可以是固定的,也可以是移动的。例如,直升机或无人机可以被配置成充当移动基站,一个或多个小区可以根据该移动基站的位置移动。在其它示例中,直升机或无人机可以被配置成用作与另一基站通信的设备。
本申请中,用于实现如上网络设备的功能的装置可以是接入网设备,也可以是具有接入网络的部分功能的网络设备,也可以是能够支持实现接入网络功能的装置,例如芯片系统,硬件电路、软件模块、或硬件电路加软件模块,该装置可以被安装在接入网设备中或者和接入网设备匹配使用。本申请的方法中,以用于实现接入网设备功能的通信装置是接入网设备为例进行描述。
参见图1,图1为适用于本申请实施例的通信系统100的示意图。如图1所示,该无线通信系统包括无线接入网100。无线接入网100可以是下一代(例如6G或更高版本)无线接入网,或传统无线接入网(例如5G、4G或3G等)。一个或多个终端设备(120a-120j,统称为120)可以相互连接或连接到无线接入网100中的一个或多个网络设备(110a、110b,统称为110)。图1只是示意图,该无线通信系统中还可以包括其它设备,如还可以包括核心网设备、无线中继设备和/或无线回传设备等,在图1中未画出。
在实际应用中,该无线通信系统可以同时包括多个网络设备(也称为接入网设备),也可以同时包括多个终端设备,不予限制。一个网络设备可以同时服务于一个或多个终端设备。一个终端设备也可以同时接入一个或多个网络设备。本申请实施例对该无线通信系统中包括的终端设备和网络设备的数量不予限制。
可选地,该通信系统中还包括至少一个AI节点。该至少一个AI节点在图1中未画出。
可选地,AI节点可以部署于该通信系统中的如下位置中的一项或多项:接入网络设备、终端设备、或核心网设备等,或者,AI节点也可单独部署,例如,部署于上述任一项设备之外的位置,比如,过顶(OTT,over the top)系统的主机或云端服务器中。AI节点可以与通信系统中的其它设备通信,其它设备例如可以为以下中的一项或多项:网络设备、终端设备、或,核心网的网元等。
可选地,AI节点用于执行与AI相关的操作。作为示例,与AI相关的操作例如可以包括:模型失效测试、模型性能测试、模型训练、或,数据采集等中的一项或多项。
例如,网络设备可将终端设备上报的与AI模型相关的数据转发给AI节点,由AI节点执行与AI相关的操作。又例如,网络设备或终端设备可将与AI模型相关的数据转发给AI节点,由AI节点执行与AI相关的操作。又例如,AI节点可以将AI相关操作的输出,例如训练完成的神经网络模型、模型评估、或,测试结果等中的一项或多项,发送给网络设备和/或终端设备。例如,AI节点可直接将AI相关操作的输出发送给网络设备和终端设备。再例如,AI节点可通过网络设备将AI相关操作的输出发送给终端设备。再例如,AI节点可通过终端设备将AI相关操作的输出发送给网络设备。
可以理解,本申请对于AI节点的数量不予限制。例如,当有多个AI节点时,多个AI节点可以基于功能进行划分,如不同的AI节点负责不同的功能。
还可以理解,AI节点可以是各自独立的设备,也可以集成于同一设备中实现不同的功能,或者可以是硬件设备中的网络元件,也可以是在专用硬件上运行的软件功能,或者是平台(例如,云平台)上实例化的虚拟化功能,本申请对于上述AI节点的具体形态不作限定。
为了便于理解,下面对本申请涉及的相关技术或概念作简单介绍。
AI模型:是能实现AI功能的算法或者计算机程序,AI模型表征了模型的输入和输出之间的映射关系,或者说AI模型是将一定维度的输入映射到一定维度的输出的函数模型,函数模型的参数可通过机器学习训练得到。例如,f(x)=ax2+b是一个二次函数模型,它可以看作一个AI模型,a和b为该AI模型的参数,a和b可以通过机器学习训练得到。示例性地,本申请下文实施例中提及的AI模型不限于为神经网络、线性回归模型、决策树模型、支持向量机(support vector machine,SVM)、贝叶斯网络、Q学习模型或者其它机器学习(machine learning,ML)模型。
AI模型设计主要包括数据收集环节(例如,收集训练数据和/或推理数据)、模型训练环节以及模型推理环节。进一步地还可以包括推理结果应用环节。在前述数据收集环节中,数据源(data source)用于提供训练数据集和推理数据。在模型训练环节中,通过对数据源提供的训练数据(training data)进行分析或训练,得到AI模型。通过模型训练节点学习得到AI模型,相当于利用训练数据学习得到AI模型的输入和输出之间的映射关系。在模型推理环节中,使用经由模型训练环节训练后的AI模型,基于数据源提供的推理数据进行推理,得到推理结果。该环节还可以理解为:将推理数据输入到AI模型,通过AI模型得到输出,该输出即为推理结果。该推理结果可以指示:由执行对象使用(执行)的配置参数、和/或由执行对象执行的操作。在推理结果应用环节中进行推理结果的发布,例如推理结果可以由执行(actor)实体统一规划,例如执行实体可以发送推理结果给一个或多个执行对象(例如,核心网设备、接入网设备、或终端设备等)去执行。又如执行实体还可以反馈AI模型的性能给数据源,便于后续实施AI模型的更新训练。
可以理解,AI模型的实现可以是硬件电路,也可以是软件,或者也可以是软件和硬件结合的方式,不予限制。软件的非限制性示例包括:程序代码、程序、子程序、指令、指令集、代码、代码段、软件模块、应用程序、或软件应用程序等。
需要说明的是,在本申请实施例中,“指示”可以包括直接指示、间接指示、显式指示、隐式指示。当描述某一指示信息用于指示A时,可以理解为该指示信息携带A,其可以为直接指示A,或间接指示A。其中,间接指示可以指通过该指示信息直接指示B,以及B和A之间的对应关系,来达到通过该指示信息指示A的目的。其中,B和A之间的对应关系可以是协议预定义的,预存储的,或者,通过网元间的配置获得的。
下面结合附图对本申请提供的切换或更新AI模型的方法进行详细说明。本申请提供的实施例可以应用于如图1中所示的无线通信系统,不作限定。
在下文实施例中,第一网元、第二网元或第三网元,分别可以是集成了如下一个或多个功能的网元:AI模型的推理网元、AI模型库的存储网元或AI模型的训练网元,与不同实施例的具体实现有关。
可选地,在一些实施例中,该无线通信系统可以包括第一网元、第二网元和第三网元中的一个或多个网元,取决于具体的实施例。这些网元可以是逻辑上分离部署的,但是在物理上,可以是部署于同一个网元或不同的网元,不作限定。例如,第一网元为终端设备中的一模块,第二网元为终端设备中的另一模块,该模块可以位于应用层。或者,第一网元为接入网设备中的一模块,第二网元为接入网设备中的另一模块,该模块可以位于应用层。或者,第一网元为终端设备或接入网设备,第二网元为过顶(over the top,OTT)系统(或者说通过互联网向用户提供各种应用服务的系统)中的主机或云端设备。又例如,第一网元为终端设备,第二网元为接入网设备。又例如,第一网元为接入网设备,第二网元为终端设备。
示例地,第一网元可以是终端设备或终端设备的组成部件(例如芯片或者电路);第二网元可以为网络设备或网络设备的组成部件(例如芯片或者电路),或者,第二网元可以为OTT系统中的主机或云端存储设备或主机或云端存储设备的组成部件(例如芯片或者电路)。
下面介绍本申请提供的技术方案。
参见图2,图2为本申请提供的切换或更新AI模型的方法的示意性流程图。
210、第一网元获取第一信息。
第一信息指示第一参数的估计结果。
其中,第一信息指示第一参数的估计结果包括:
第一信息为第一参数的估计结果,也即,第一网元获得第一参数的估计结果;
或者,第一信息与第一参数的估计结果具有对应关系,其可以指示第一参数的估计结果。
第一参数的估计结果是根据信道测量结果获得的,信道测量结果为AI模型的输入。也可以说,第一参数的估计结果为AI模型的输入的指标。换句话说,第一参数与信道测量结果有关,而信道测量结果又是AI模型的输入,因此,第一参数的估计结果可以反映AI模型的输入的变化。监测第一参数的估计结果,可以获知AI模型的输入的变化,例如,进而获知AI模型的使用环境的变化。示例性地,AI模型的使用环境的变化例如可以是信道条件的变化、该AI模型的推理网元的移动速度的变化等中的一项或多项。
例如,在一些应用场景下,AI模型的性能受到该AI模型的推理网元的移动速度的影响较大,当推理网元的移动速度发生较大的变化时,AI模型的泛化性能恶化严重,那么部署了该AI模型的网络的性能也会随之下降或恶化。
可选地,第一参数可以包括如下一项或多项指标:信道的时域质量指标、信道的频域质量指标、信道脉冲响应(channel impulse response,CIR)中能量大于首径能量的k倍的径的个数、多个采样点的平均功率、LOS概率、反映信道的NLOS程度的参数、信干噪比(signal to interference plus noise ratio,SINR)、参考信号接收功率(referencesignal receiving power,RSRP)、或部署了AI模型的推理网元的移动速度。可以理解,这些指标可以通过对参考信号进行测量,或者对参考信号的测量结果进行相应的处理来获得。具体处理的过程在此不予限定。其中,k为大于0的数。可选的,k为大于0小于1的数。示例性地,上述反映信道的NLOS程度的参数例如可以为莱斯因子,莱斯因子表示:多径中LOS径与NLOS径功率的比值。在LOS场景中,LOS径的能量较NLOS径的能量总和高,通常使用莱斯因子来定义LOS径功率与NLOS径功率的比值,此处NLOS径功率,表示所有NLOS径的功率之和。在NLOS场景中包括NLOS径,且不一定包括LOS径。由上可知,一般莱斯因子越高,LOS径能量相对NLOS越高,NLOS程度越轻。
可选地,CIR可以替换为如下任意一项:时间对齐的CIR、多个CIR序列的互相关序列、或归一化的CIR等,不作限制。当基于CIR确定第一参数的估计结果时,对于采样点数不作任何限制。
示例性地,第一网元基于参考信号进行信道测量,获得信道频域响应(channelfrequency response,CFR),并基于该CFR计算得到信道的频域质量指标。在本申请实施例中,当基于CFR计算第一参数时,关于CFR的带宽、子带、以及端口数不予限制。此外,CFR可替换为归一化的CFR。对此,下文不再赘述。
其中,信道的频域质量指标例如可以为多普勒频偏,或者也可以为多普勒频率。多普勒偏移可反映部署AI模型的推理网元的移动速度。举例来说,基于测量得到的多普勒频偏,可以估计推理网元的移动速度,进而可以根据该移动速度确定是否对当前使用的AI模型进行切换或更新。尤其对于移动速度比较敏感的AI模型应用场景,可以通过监测推理网元的移动速度的变化,及时判断是否对AI模型进行切换或更新,以适应移动速度的变化,以降低对部署了AI模型的网络的性能的影响。
220、第一网元根据对应关系信息和第一参数的估计结果,确定是否对第一AI模型进行切换或更新。
其中,对应关系信息指示M个AI模型和第一参数的N个取值之间的对应关系,M为大于或等于1的整数,N为大于或等于1的整数。可选的,M=N,或者,M>N。
可选地,M可以为AI模型库中包含的AI模型的总数量,或者,也可以为AI模型库中的一个AI模型组中包含的AI模型的数量。例如,AI模型库中包含一个或多个AI模型组,不同的AI模型组对应的第一参数不同。例如,AI模型库包括AI模型组1和AI模型组2,AI模型组1中的AI模型和SINR具有对应关系,AI模型组2和UE的移动速度具有对应关系。若M可以为AI模型库中包含的AI模型的总数量,本申请实施例不限定对应关系信息指示的M个AI模型属于一个或多个AI模型组,不作限定。也即,该对应关系信息中可以包括一个或多个第一参数与各自对应的AI模型组之间的对应关系。
可选地,M个AI模型和第一参数的N个取值也可以替换为M个AI模型组和第一参数的N个取值。也就是说,第一参数的同一取值可以对应于一个或多个AI模型组,也即,第一参数的同一取值可以对应于一个AI模型组,该AI模型组包括一个或多个AI模型。该一个或多个AI模型可以具有一些特征的不同,比如,该特征包括实现复杂度,或,性能等中的一项或多项。在确定了第一参数的某一取值后,相应的AI模型组中选择哪个AI模型,可以基于协议预定义,或者,基于系统需求或设置来确定,在此不予限定。在指示所切换或更新的AI模型时,可以指示的是AI模型组,也可以指示该AI模型组中的特定AI模型。在申请中,指示AI模型与第一参数的取值之间的对应关系,包括指示AI模型组与第一参数的取值之间的对应关系,或,指示特定AI模型与第一参数的取值之间的对应关系。
在本申请实施例中,第一参数的取值可以表示如下含义:某个具体数值,如量化后的具体数值、数值范围、与数值范围对应的等级等。
在本申请中,对应关系信息指示AI模型和第一参数的取值之间的对应关系。根据信道测量结果确定的第一参数的估计结果,即为根据第一参数的当前取值。因此,根据对应关系信息,可以确定第一参数的估计结果对应的AI模型。可选的,第一参数的不同取值,对应不同的AI模型。
对应关系信息可以为表格、函数或字符串等形式,只要可以记录AI模型和第一参数的取值之间的对应关系即可。下面以表格为例,对对应关系信息进行示例说明。
表1
示例性地,假设第一网元当前使用的AI模型为AI模型1,第一网元确定第一参数的估计结果为取值1,根据对应关系信息可知,取值1与AI模型1对应,则第一网元可以确定不需要对AI模型进行切换或更新。如果第一网元确定第一参数的估计结果为取值3,则第一网元确定有将AI模型1切换为AI模型3的需求。再例如,若第一网元确定第一参数的估计结果为取值5,根据对应关系信息,已有的4个AI模型中没有与该取值5相匹配的AI模型,此时,第一网元确定有对第一AI模型进行更新的需求。
作为另一个示例,M>N。
已知,AI模型的复杂度越高,该AI模型适应更复杂环境的鲁棒性也越好。可选地,针对第一参数的一个取值,可以对应多个不同复杂度的AI模型。所述“多个”包括两个或两个以上。以表2为例进行说明。
表2
在表2中,第一参数的取值4对应AI模型4和AI模型5。
示例性,假设AI模型5的复杂度高于AI模型4,则AI模型5对使用环境的适应能力更强。以CSI预测为例,在相同的使用环境下,AI模型5的预测精度高于AI模型4的预测精度。假设第一参数为部署AI模型的网元的移动速度,且第一网元当前使用的AI模型为AI模型2。若第一网元根据对应关系信息确定第一参数的估计结果对应取值4,则可以进一步根据AI模型的复杂度,选择切换为AI模型4或AI模型5。例如,如果当前移动速度下,对AI模型有较高的精度需求,则可以选择切换为AI模型5;若对AI模型的精度需求较低,则可以切换为AI模型4。
可选地,方法200还可以包括步骤230,步骤230可位于步骤210之前。
230、第一网元获取第二信息,第二信息指示第一参数。
可以理解,在方法200中,第一网元通过对AI模型的输入的指标,即第一参数,进行监测,可以及时判断是否对AI模型进行切换或更新。因此,可替换地,第一参数也可以表述为AI模型的监测参数。
可选地,当对应关系信息指示AI模型与多个第一参数的对应关系的情况下,第一网元根据获取的第二信息,来确定当前的监测参数,并用于AI模型的切换或更新的判断。
表3
以表3为例,对应关系信息所指示的对应关系包括:部署AI模型的网元的移动速度和AI模型的对应关系,以及SINR和AI模型的对应关系。若第二指示信息指示第一参数为部署AI模型的网元的移动速度,则第一网元根据该部署AI模型的网元的移动速度的估计结果,来进行AI模型的切换或更新的判断。
可选地,在步骤230中,第一网元可以从网络侧获取第二信息,例如,第一网元从第二网元或第三网元获取第二信息,不作限定。
根据方法200中的说明可知,本申请的技术方案通过监测第一参数的估计结果,也即对AI模型的输入进行监测,可以及时了解AI模型的使用环境的变化,由此可以及时对AI模型进行切换或更新,以适应AI模型的使用环境的变化,有助于AI模型的使用环境变化之后,部署了该AI模型的网络的性能随之下降的问题的改善。
下面给出一些AI模型和第一参数的取值之间的对应关系的示例。
示例1:第一参数包括UE的移动速度。
表4
示例2:第一参数包括CIR中能量大于首径能量的k倍的径的绝对个数。以下将CIR中能量大于首径能量的k倍的径的绝对个数简称为径的个数。其中,k为大于0的数。可选的,k为大于0小于1的数,比如k为0.5。
表5
示例3:第一参数包括CIR中能量大于首径能量的k倍的径的相对占比,以下简称为相对占比。其中,k为大于0的数。可选的,k为大于0小于1的数,比如k为0.5。
表6
AI模型 | 相对占比 |
AI模型1 | 0 |
AI模型2 | 1/16 |
AI模型3 | 1/8 |
AI模型4 | 1/4 |
AI模型5 | 1/2 |
AI模型6 | 2/3 |
示例性4:第一参数包括SINR。
表7
AI模型 | SINR |
AI模型1 | (-30,-20] |
AI模型2 | (-20,-10] |
AI模型3 | (-10,0] |
AI模型4 | (0,10] |
AI模型5 | (10,20] |
AI模型6 | (20,30] |
如上文所述,第一参数还可以为其它参数,这里不再罗列。
可选地,第一AI模型部署于第一网元或第二网元。
可选地,作为一个示例,若第一网元确定第一参数的估计结果对应第一参数的N个取值中的第一取值,第一取值和M个AI模型中的第二AI模型对应,则第一网元确定将第一AI模型切换为第二AI模型。
可选地,作为另一个示例,若第一网元确定第一参数的估计结果和第一参数的N个取值中的任何一个取值不对应,则第一网元确定对第一AI模型进行更新。
以上描述的“第一参数的估计结果对应第一参数的N个取值中的第一取值”,可以为如下任一可能的实现:
第一参数的N个取值为N个具体数值,第一参数的估计结果等于该N个具体数值中的某个具体数值;
第一参数的N个取值为N个数值范围,第一参数的估计结果属于该N个数值范围中的某个数值范围;或者,
第一参数的N个取值为N个等级,第一参数的估计结果对应该N个等级中的某个等级。
换句话说,上述任一可能即为“对应”。
在步骤210中,根据第一AI模型部署于第一网元或第二网元的不同,第一网元获取第一信息的方式有所不同。
以下分别针对第一AI模型部署于第一网元或第二网元,来说明第一网元切换或更新第一AI模型的方法。
(1)第一AI模型部署于第一网元,第一网元根据对应关系信息进行第一AI模型的切换或更新的判断。
若第一AI模型部署于第一网元,在步骤210中,第一网元获取第一信息包括:
第一网元测量参考信号,获得信道测量结果;
第一网元根据信道测量结果,获得第一参数的估计结果,第一信息包括第一参数的估计结果。或者说,此种情况下,第一信息可以为第一参数的估计结果。
示例性地,第一网元为终端设备,第二网元为接入网设备。第一网元通过测量来自于第二网元的参考信号,获得信道测量结果。基于该信道测量结果,第一网元可以确定第一参数的估计结果。该参考信号包括但不限于为:信道状态信息-参考信号(channel stateinformation-reference signal,CSI-RS),或,同步信号和物理广播信道块(synchronizing signal and physical broadcast channel block,SSB)中的同步信号和/或物理广播信道上的信号等中的一项或多项。
当第一AI模型部署于第一网元时,第一网元可以通过测量来自于第二网元的参考信号,获得信道测量结果。根据信道测量结果可以获得第一参数的估计结果。进一步地,第一网元根据对应关系信息和第一参数的估计结果,确定是否对第一AI模型进行切换或更新。
在一种可能的情况下,第一网元确定将第一AI模型切换为第二AI模型。在此情况下,第一网元向第二网元发送第一指示信息,第一指示信息用于指示第一网元请求将第一AI模型切换为第二AI模型。可替换地,第一指示信息也可以称为切换请求。应理解,第一网元确定将第一AI模型切换为第二AI模型,也就意味着第二AI模型属于对应关系信息所记录的M个AI模型之一。第二网元在接收到第一网元的第一指示信息之后,向第一网元发送第二AI模型。第一网元接收来自于第二网元的第二AI模型,从而将第一AI模型切换为第二AI模型。
在此情况下,作为一个示例,第一网元可以为AI模型的推理网元,第二网元可以为AI模型库,即,多个AI模型,的存储网元。当第一网元根据获取的对应关系信息,确定将第一AI模型切换为第二AI模型,第一网元向第二网元发送第一指示信息,示例性地,第一指示信息指示第二AI模型的标识。第二网元基于第一指示信息,将保存的第二AI模型发送给第一网元。
需要特别说明的是,在本申请的所有实施例中,当描述第一网元可以为AI模型的推理网元,是指第一网元至少为推理网元,而不限制第一网元一定不是AI模型库的存储网元或训练网元。例如,在一个实施例中,第一网元为AI模型的推理网元,但是也可以同时为存储网元和/或训练网元,只是存储网元和/或训练网元的功能不在该实施例中体现。或者,在一个实施例中,第一网元为AI模型的推理网元,但是在另一个的实施例中,第一网元为AI模型库的存储网元和/或训练网元。第二网元和第三网元的相关描述也是类似的,下文不再重复说明。
在另一种可能的情况下,第一网元确定对第一AI模型进行更新。在此情况下,也就意味着对应关系信息所记录的M个AI模型中没有与第一网元当前确定的第一参数的估计结果相匹配的AI模型。第一网元可以向第二网元发送第二指示信息,第二指示信息用于请求对第一AI模型进行更新。可替换地,第二指示信息也可以称为更新请求。第二网元接收来自于第一网元的第二指示信息,获知第一网元请求对第一AI模型进行更新。在此情况下,第二网元获取训练数据,并根据训练数据进行AI模型的训练,获得第三AI模型。示例性地,第二网元可以在收到第二指示信息之后,指示第一网元发送训练数据。第一网元基于第二网元的指示,向第二网元提供训练数据;或者,第一网元也可以在确定对第一AI模型进行更新的情况下,向第二网元发送第二指示信息和训练数据,不作限定。此外,第二网元也可以从第三网元获取训练数据,不作限定。
第二网元在训练获得第三AI模型之后,向第一网元发送第三AI模型。第一网元接收来自于第二网元的第三AI模型,并将第一AI模型更新为第三AI模型。
在此情况下,作为一个示例,第一网元可以为AI模型的推理网元,第二网元可以为AI模型的训练网元。
可选地,在第一AI模型部署于第一网元的情况下,第一网元确定是否对第一AI模型进行切换或更新时所依据的对应关系信息,可以是第一网元从第二网元获取的,或者也可以是第一网元从第三网元获取,或者也可以是协议预定义的并预先存储的。此外,还可以是对应关系信息所指示的部分对应关系是第一网元从第二网元或第三网元获取,部分是协议预定义的且预存储的,本申请对于这些实现方式不做限定。
下面结合图3,对第一AI模型部署于第一网元的情况下,第一网元对第一AI模型进行切换或更新的方法进行示例说明。
参见图3,图3为本申请提供的切换或更新AI模型的方法的一个示例。
301、第一网元测量来自于第二网元的参考信号,获得信道测量结果。
302、第一网元根据信道测量结果,获得第一参数的估计结果。
303、第一网元根据对应关系信息和第一参数的估计结果,确定是否对第一AI模型进行切换或更新。
在一种可能的情况下,第一网元根据对应关系信息和第一参数的估计结果,确定将第一AI模型切换为第二A模型。在此情况下,步骤303之后,还包括步骤304-306。
304、第一网元向第二网元发送第一指示信息,第一指示信息用于请求将第一AI模型切换为第二AI模型。
第二网元根据第一网元的第一指示信息,向第一网元发送第二AI模型。
示例性地,在一种实现中,对应关系信息是协议预定义的。在此情况下,第一网元向第二网元发送第一指示信息,第一指示信息携带第二AI模型的标识。第二网元基于协议预定义和第二AI模型的标识,向第一网元发送第二AI模型。
示例性地,在另一种实现中,第一网元向第二网元发送第一指示信息和第一参数的估计结果。第二网元根据第一指示信息和第一参数的估计结果,确定向第一网元发送第二AI模型。例如,第二网元根据第一参数的估计结果,确定第一参数的估计结果对应第二网元保存的模型库中的第二AI模型,从而向第一网元发送第二AI模型。可选地,在该实现中,对应关系信息可以是协议预定义的,或者,也可以是第二网元保存在本地的。此外,第一网元从第二网元或第三网元获取对应关系信息并保存在第一网元,并可以根据对应关系信息进行AI模型是否切换或更新的判断,如上面的步骤303。
示例性地,在再一种实现中,第一网元向第二网元发送第一参数的估计结果,第一参数的估计结果隐含指示第一网元请求对第一AI模型进行切换。第二网元基于第一参数的估计结果,以及对应关系信息,向第二网元发送第二A模型。
305、第一网元接收来自于第二网元的第二AI模型。
306、第一网元将第一AI模型切换为第二AI模型。
在另一种可能的情况下,第一网元根据对应关系信息和第一参数的估计结果,确定对第一AI模型进行更新。在此情况下,步骤303之后,还包括步骤307-310。
307、第一网元向第二网元发送第二指示信息,第二指示信息用于请求对第一AI模型进行更新。
可选地,一种实现方式可以为,第一网元向第二网元发送第一参数的估计结果,第二网元根据对应关系信息和第一参数的估计结果,确定第一参数的估计结果与第二网元保存的模型库中的任何一个AI模型不对应,因此需要进行AI模型更新。
可选地,另一种实现方式可以为,第一网元向第二网元发送第二指示信息和第一参数的估计结果。第二网元根据第二指示信息获知第一网元请求对AI模型进行更新。示例性地,第一参数的估计结果可以作为训练数据,用于第二网元进行AI模型的训练,以获得新的AI模型。
可选地,上述步骤302中的第一参数的估计结果,不限于是基于一次信道测量的信道测量结果获得,或是基于多次信道测量的信道测量结果获得,例如,第一参数的估计结果可以是基于多次信道测量结果的平均值,不作限定。
308、第二网元基于第二指示信息,进行AI模型训练,获得第三AI模型。
示例性地,第二网元从第一网元获取训练数据,并进行AI模型训练。
可选地,第二网元获取训练数据进行AI模型训练,获得第三AI模型,可以包括如下实现之一:
第二网元获取足量的训练数据,对整个AI模型进行训练,获得第三AI模型;
第二网元获取足量的训练数据,对AI模型的某个功能层进行训练,获得第三AI模型;
第二网元获取少量的训练数据,对整个AI模型进行训练,获得第三AI模型;或者,
第二网元获取少量的训练数据,对AI模型的某个功能层进行训练,获得第三AI模型。
309、第二网元向第一网元发送第三AI模型。
第一网元接收来自于第二网元的第三AI模型。
310、第一网元将第一AI模型更新为第三AI模型。
(2)第一AI模型部署于第二网元,第一网元根据对应关系信息对第二网元部署的第一AI模型进行切换或更新的判断。
下面结合图4,对第一AI模型部署于第二网元的情况下,第一网元对第一AI模型进行切换或更新的方法进行示例说明。
参见图4,图4为本申请提供的切换或更新AI模型的方法的一个示例。
401、第二网元测量来自于第一网元的参考信号,获得信道测量结果。
402、第二网元根据信道测量结果,获得第一参数的估计结果。
403、第二网元向第一网元发送第一信息。
其中,第一信息指示第一参数的估计结果。
示例性地,第一信息可以为第一参数的估计结果,或者,第一信息为用于确定第一参数的估计结果的信息。
第一网元从第二网元接收第一信息。
404、第一网元根据对应关系信息和第一信息,确定是否对第一AI模型进行切换或更新。
在一种可能的情况下,第一网元根据对应关系信息和第一参数的估计结果,确定将第一AI模型切换为第二A模型。在此情况下,步骤404之后,还包括步骤405-406。
405、第一网元向第二网元发送第二AI模型。
第二网元接收来自于第一网元的第二AI模型。
406、第二网元将第一AI模型切换为第二AI模型。
在另一种可能的情况下,第一网元根据对应关系信息和第一参数的估计结果,确定对第一AI模型进行更新。在此情况下,步骤404之后,还包括步骤407-409。
407、第一网元进行AI模型训练,获得第三AI模型。
示例性地,第一网元可以从第二网元获取训练数据,并根据该训练数据进行AI模型训练,获得第三AI模型。
与上述步骤308类似,第一网元训练获得第三AI模型可以包括如下实现方式之一:
第一网元获取足量的训练数据,对整个AI模型进行训练,获得第三AI模型;
第一网元获取足量的训练数据,对AI模型的某个功能层进行训练,获得第三AI模型;
第二网元获取少量的训练数据,对整个AI模型进行训练,获得第三AI模型;或者,
第二网元获取少量的训练数据,对AI模型的某个功能层进行训练,获得第三AI模型。
408、第一网元向第二网元发送第三AI模型。
第二网元接收来自于第一网元的第三AI模型。
409、第二网元将第一AI模型更新为第三AI模型。
在图3和图4所示的示例中,第一网元通过对AI模型的输入进行监测,并根据对应关系信息和监测结果(例如,第一参数的估计结果)判断是否需要对AI模型进行切换或更新,可以适应AI模型的使用环境的变化,有助于改善由于使用环境发生较大变化而导致AI模型的性能的下降或恶化的问题。
以上图2-图4中所示的切换或更新AI模型的方法,可以应用于多种场景,包括但不限于为:CSI预测或波束管理。
下面以第一网元为UE,第二网元为接入网设备或除接入网设备之外的设备,比如称为模型库存储和/或训练设备作为示例,对本申请的切换或更新AI模型的方法在CSI预测或波束管理中的应用进行示例说明。可选的,模型库存储和/或训练设备可以通过接入网设备与UE进行通信,其中,接入网设备可以对通信的信息进行透传或处理后转发。
应用场景1
基于AI的CSI预测(也即AI-based CSI预测或AI-CSI预测)。
参见图5,图5为AI-CSI预测的示意图。AI-CSI预测的基本原理是利用神经网络的特征提取和拟合能力,在大量离线CSI构成的训练集上训练神经网络,使神经网络能学习到信道的变化模式,拟合出历史CSI和未来CSI之间的非线性映射关系,从而可以替代基于数学模型的信道预测闭式表达式。在推理阶段,将若干历史CSI(例如,接收端反馈的CSI和/或发射端在过去时刻预测的CSI)输入用于信道预测的神经网络,输出未来时刻CSI的预测值。由于发射端可以预测CSI,接收端无需在预测时刻上反馈估计的CSI,因此可以减小空口上的CSI反馈开销。
参见图6,图6为本申请提供的切换或更新AI模型的方法的一个应用示例。
在图6的示例中,以第一参数为UE的移动速度为例进行说明。
601、可选地,UE获取对应关系信息。
示例性地,UE从接入网设备或模型库存储和/或训练设备获取对应关系信息。其中,可选的,模型库存储和/或训练设备可以通过该接入网设备向UE发送该对应关系信息。
602、UE测量来自于接入网设备的信道状态信息-参考信号CSI-RS,获得信道测量结果。
603、UE根据信道测量结果获得第一参数的估计结果。
其中,信道测量结果为AI模型的输入,第一参数的估计结果可以由信道测量结果确定。
下面针对AI模型的切换和更新,分别举例说明。
以切换为例,步骤603之后,可以如下面的步骤604~608。
604、UE根据对应关系信息和第一参数的估计结果,确定将第一AI模型切换为第二AI模型。
以上述的表2为例,假设UE当前使用的第一AI模型为AI模型2,而UE当前的移动速度确定为90km/h,根据对应关系信息和UE当前的移动速度,UE确定当前的移动速度对应4个取值中的取值4,由此可以确定将AI模型2切换为AI模型4。
605、UE向接入网设备或模型库存储和/或训练设备发送第一指示信息,第一指示信息用于请求将第一AI模型切换为第二AI模型。
接入网设备或模型库存储和/或训练设备接收UE的第一指示信息,并基于第一指示信息向UE发送AI模型4。
可选的,模型库存储和/或训练设备可以通过接入网设备接收来自UE的第一指示信息,并通过接入网设备向UE发送AI模型4。
606、UE接收来自于接入网设备或模型库存储和/或训练设备的AI模型4。
607、UE将AI模型2切换为AI模型4。
可选地,还包括步骤608。
608、UE基于AI模型4,进行CSI预测。
再以更新为例,步骤603之后,可以如下面的步骤609~614。
609、UE根据对应关系信息和第一参数的估计结果,确定对第一AI模型进行更新。
以表1为例,假设UE根据信道测量结果确定UE当前的移动速度为120km/h,可见,UE当前的移动速度与4个取值中的任何一个取值都不对应,此时,UE确定对第一AI模型进行更新。
610、UE向接入网设备或模型库存储和/或训练设备发送第二指示信息,第二指示信息用于请求对第一AI模型进行更新。
611、接入网设备或模型库存储和/或训练设备基于第二指示信息,进行AI模型训练,获得第三AI模型。
在该示例中,假设第三AI模型为AI模型5。
612、接入网设备或模型库存储和/或训练设备向UE发送第三AI模型(例如AI模型5)。
613、UE将AI模型2切换为AI模型5。
可选地,还包括步骤614。
614、UE基于AI模型5,进行CSI预测。
应用场景2
基于AI的波束管理(AI-based的波束管理)。
参见图7,图7为本申请提供的切换或更新AI模型的方法的一个应用示例。
在图7的示例中,继续以第一参数为UE的移动速度为例进行说明。
701、可选地,接入网设备获取对应关系信息。
比如,接入网设备预存储,或,从模型库的存储和/或训练设备获取该对应关系信息。
702、UE测量来自于接入网设备的信道状态信息-参考信号CSI-RS,获得信道测量结果。
703、UE根据信道测量结果获得第一参数的估计结果。
704、UE向接入网设备或模型库存储和/或训练设备发送第一信息,第一信息指示第一参数的估计结果。
以切换为例,步骤704之后,可以如下面的步骤705~708。
705、接入网设备或模型库存储和/或训练设备根据对应关系信息和第一参数的估计结果,确定将UE当前使用的第一AI模型切换为第二AI模型。
接入网设备确定将第一AI模型切换为第二AI模型的实现,可以参考步骤604,为了简洁,这里不予赘述。
706、接入网设备或模型库存储和/或训练设备向UE发送第二AI模型。
UE接收来自于接入网设备的第二AI模型。
707、UE将第一AI模型切换为第二AI模型。
可选地,还包括步骤708。
708、UE基于第二AI模型进行波束管理。
以更新为例,步骤704之后,可以如下面的步骤709~713。
709、接入网设备或模型库存储和/或训练设备根据对应关系信息和第一参数的估计结果,确定对UE当前使用的第一AI模型进行更新。
710、接入网设备或模型库存储和/或训练设备进行AI模型训练,获得第三AI模型。
711、接入网设备向UE发送第三AI模型,UE接收第三A模型。
712、UE将第一AI模型更新为第三AI模型。
可选地,还包括步骤713。
713、UE基于第三AI模型进行波束管理。
可以发现,在上述的一些示例中,第一AI模型部署于第一网元,且第一网元确定对第一AI模型进行切换或更新之后,向第二网元发送切换或更新AI模型的请求之后,由第二网元向第一网元提供用于切换的第二AI模型或训练获得的新的AI模型,即第三AI模型。在另一些示例中,第一AI模型部署于第二网元,第一网元确定对第二网元上的第一AI模型进行切换或更新之后,由第一网元向第二网元发送用于切换的第二AI模型或训练获得的新的AI模型。这些示例均是以部署第一AI模型的网元不是AI模型库的存储网元,且不是AI模型的训练网元为例进行说明的。例如,UE上部署第一AI模型,UE可以为AI模型的推理网元,但是UE不是AI模型库的存储网元,也不是AI模型的训练网元。UE根据对应关系信息在确定将第一AI模型切换为第二AI模型之后,可以向第二AI模型库的存储网元发送切换请求,并从该存储网元获取到第二AI模型,进而进行切换。或者,如果UE根据对应关系信息在确定对第一AI模型进行更新之后,可以向AI模型的训练网元(例如,接入网设备或其他网络设备)发送更新请求,由该训练网元进行AI模型的训练,并向UE下发新的AI模型。
此外,在上述示例中,接入网设备可以作为存储网元和训练网元,也即,接入网设备具有数据库存储和训练的功能。可选地,AI模型的存储网元和训练网元也可以分别是不同的网元,本申请对此不做限定。例如,第一网元(例如UE)为AI模型的推理网元,第二网元(例如接入网设备)为AI模型的训练网元,而对应关系信息中所记录的M个AI模型保存在第三网元上,也即,第三网元为AI模型的存储网元。在此场景下,假设由第一网元对自己部署的AI模型进行切换或更新的判断,当第一网元确定将当前部署的第一AI模型切换为第二AI模型,则第一网元从第三网元获取第二AI模型;当第一网元确定对当前部署的第一AI模型进行更新,则第一网元向第二网元发送更新请求,由第二网元通过训练获得新的第三AI模型之后,再提供给第一网元。此外,第二网元还可以将第三AI模型发送给第三网元保存。因此,本申请对于这些具体实现不作特别限定。
为了方案描述上的简洁,下文的实施例均以存储网元和训练网元为同一个网元进行示例说明。
可选地,本申请还提供AI模型的推理网元同时为存储网元和训练网元的实现。例如,以UE作为示例,UE可以同时为推理网元、存储网元和训练网元。具体地,UE通过测量来自于接入网设备的参考信号,可以获得信道测量结果,进而得到第一参数的估计结果。以第一参数为UE的移动速度为例,UE对自己的移动速度进行监测,并根据对应关系信息和移动速度的监测结果,对AI模型进行切换或更新。
以上对本申请提供的切换或更新AI模型的方法在CSI预测和波束管理中的应用进行了详细说明,本申请还提供该方法在自编码器(auto-encoders,AE)模型中的应用。
下面以AI-basedCSI反馈(也表示为AI-CSI反馈)为例对AE模型进行说明。
参见图8,图8为基于AI的CSI反馈过程的示意图。在AI-CSI反馈中,当AI模型部署在基站侧时,基站获取CSI-RS在UE侧的估计结果作为标签(也称为真值标签)进行训练。AE模型由编码器(encoder)和解码器(decoder)两个子模型构成,AE可以泛指由两个子模型构成的网络结构。AE模型也可以称为双边模型,或者叫双端模型、协作模型。AE的编码器和解码器通常是共同训练的,可以相互匹配使用。CSI反馈可以基于AE的AI模型实现,例如,UE侧通过编码器进行CSI的压缩和量化,基站通过解码器进行CSI的恢复,如图8所示,对于基站来说,模型的输入是UE反馈的CSI,输出为恢复的CSI,而模型的训练需要UE侧测量的CSI作为恢复的CSI的真值标签。
参见图9,图9为本申请提供的切换或更新AI模型的方法800的示意性流程图。
如图8中的介绍,在双端模型中,UE侧的编码器和基站侧的解码器是匹配使用的。UE侧的编码器可以包括一个或多个AI模型,与UE侧的编码器匹配的基站侧的解码器也可以包括一个或多个AI模型。匹配使用的编码器和解码器中包括的AI模型的数量相同且一一对应。下面的实施例中以UE侧的编码器包括一个AI模型、基站侧的解码器包括一个AI模型为例进行说明。
假设第一网元部署有第一AI模型,第二网元部署有第四AI模型,第四AI模型与第一AI模型匹配使用。应理解,第一AI模型的输出为第四AI模型的输入,第四AI模型的真值标签为第一AI模型的输入。
801、第一网元获取第一信息。
802、第一网元根据对应关系信息和第一信息,确定是否对第一AI模型进行切换或更新。
在一种可能的情况下,若第一网元确定将第一AI模型切换为第二AI模型,则在步骤802之后,还包括步骤803-807。
803、若第一网元确定将第一AI模型切换为第二AI模型,第一网元向第二网元发送第一指示信息,第一指示信息用于指示第一网元请求将第一AI模型切换为第二AI模型。
第二网元接收来自于第一网元的第一指示信息。
步骤803还可以参考方法300中步骤304的其它实现方式,这里不再赘述。
804、第二网元基于第一指示信息,确定保存的W个AI模型中是否包含与第二AI模型匹配的AI模型,得到确定结果,W为大于或等于1的整数。
应理解,上文各实施例中的对应关系信息指示M个AI模型和第一参数的N个取值的对应关系。在双端模型的实施例中,该M个AI模型可以为M个编码器,而步骤804中的W个AI模型可以为W个解码器。M和W可以相等或不相等,不作限定。例如,第二网元基于第一指示信息,获知第一网元请求将第一编码器切换为第二编码器,第二网元确定保存的W个解码器中是否包含与第二编码器匹配的解码器,得到确定结果。
可选地,W个解码器可以保存在第二网元上,即第二网元可以为AI模型的存储网元。或者,该W个解码器也可以保存在第三网元(第三方设备),或者还可以是其它的存储形式,不作限定。
可选地,第一网元侧的对应关系信息是协议预定义的。在此情况下,若第一网元确定将第一AI模型切换为第二AI模型,则第一网元可以向第二网元发送的第一指示信息中携带第二AI模型的标识。第二网元根据协议预定义的对应关系信息,可以获知第一网元请求切换为第二AI模型。
可选地,在步骤804中,第二网元可以基于另一个对应关系信息判断:第二网元保存的W个AI模型中是否包含与第二AI模型匹配的AI模型。其中,所述“另一个对应关系信息”是为了与前述的“对应关系信息”作区分。例如,图2步骤210中,第一网元获取的对应关系信息可以为对应关系信息1,这里,第二网元基于对应关系信息2判断W个AI模型中是否包含与第二AI模型匹配的AI模型。或者也可以说,对应关系信息1记录的M个AI模型为第一网元可使用的AI模型的AI模型库;对应关系信息2记录的W个AI模型为第二网元可使用的AI模型的AI模型库。
示例性地,对应关系信息1和对应关系信息2记录的对应关系分别如下表所示:
表8
表9
作为一个示例,第一网元当前使用AI模型1,第二网元当前使用AI模型a,AI模型1和AI模型a匹配。若第一参数的估计结果和对应关系信息1记录的取值3对应,第一网元确定将AI模型1(第一AI模型的一个示例)切换为AI模型3(第二AI模型的一个示例)。第一网元向第二网元发送第一指示信息以及第一参数的估计结果。第二网元确定第一参数的估计结果和对应关系信息2记录的取值3,取值3对应AI模型c,则第二网元确定该W个AI模型中包含与第二AI模型匹配的AI模型,在该示例中,具体为AI模型c。
805、第二网元根据确定结果,指示第一网元是否对第一AI模型进行切换。
在一种可能的情况下,若确定结果为W个AI模型中不包含与第二AI模型匹配的AI模型,则第二网元向第一网元发送第三指示信息,第三指示信息指示第一网元不对第一AI模型进行切换。在此情况下,第一网元执行步骤806。
806、第一网元根据第三指示信息,不对第一AI模型进行切换。
在另一种可能的情况下,若确定结果为W个AI模型中包含与第二AI模型匹配的第五AI模型,则第二网元向第一网元发送第三指示信息,第三指示信息指示第一网元将第一AI模型切换为第二AI模型。在此情况下,第一网元执行步骤807。
807、第一网元根据第三指示信息,将第一AI模型切换为第二AI模型。并且,第二网元将第四AI模型切换为第五AI模型。也即,第二网元协同第一网元进行AI模型切换。
如步骤804的示例,第一网元将AI模型1切换为AI模型3,第二网元将AI模型a切换为AI模型c。
将方法800应用于CSI反馈的应用场景下时,以第一网元为UE,第二网元为接入网设备为例,UE上部署第一AI模型,接入网设备部署第四AI模型,第一AI模型和第四AI模型匹配。第一AI模型用于对UE测量的CSI进行压缩,或者,压缩和量化,第一AI模型的输出为反馈的CSI。第四AI模型的输入为第一AI模型的输出,第四AI模型的输出为恢复的CSI。第四AI模型的真值标签为UE侧测量的CSI。当UE确定对第一AI模型进行更新,UE向接入网设备发送切换请求,在接收到接入网设备的指示切换的信息(如第三指示信息的一种可能)之后,UE将第一AI模型切换为第二AI模型,同时,接入网设备将第四AI模型切换为第五AI模型。其中,第二AI模型和第五AI模型匹配。若UE接收到接入网设备的指示不作切换的信息(如第三指示信息的另一种可能),UE和接入网设备都不对当前使用的AI模型进行切换,UE继续使用第一AI模型,接入网设备继续使用第四AI模型。
参见图10,图10为本申请提供的切换或更新AI模型的方法900的示意性流程图。
901、第一网元获取第一信息。
902、第一网元根据对应关系信息和第一信息,确定是否对第一AI模型进行切换或更新。
在一种可能的情况下,若第一网元确定对第一AI模型进行更新,则步骤902之后,还包括步骤903-907。
903、若第一网元确定对第一AI模型进行更新,第一网元向第二网元发送第二指示信息,第二指示信息用于指示第一网元请求对第一AI模型进行更新。
第二网元接收来自于第一网元的第二指示信息。
可选地,第二网元还向第一网元发送第一参数的估计结果。
可选地,步骤903还可以参考方法300中的步骤307中的其它实现方式,这里不再赘述。
904、第二网元基于第二指示信息,确定是否对第一AI模型进行更新。
第二网元基于第二指示信息,获知第一网元请求对第一AI模型进行更新。在一个示例中,用于更新AI模型的训练数据是由第一网元提供给第二网元的,若第二网元确定第一网元可以提供符合要求的训练数据,则第二网元确定对第一AI模型进行更新。第一网元为UE,第二网元为网络设备,若UE确定对第一AI模型进行更新,则UE还向网络设备提供训练数据。示例性地,该训练数据为第一参数的估计结果。或者,UE还可以向网络设备提供更多的训练数据。可选地,UE向网络设备提供训练数据,可以是UE在确定对AI模型进行更新之后自发发送给网络设备的,或者,也可以是网络设备基于第二指示信息,指示UE提供,不作限定。在此示例中,网络设备确定对第一AI模型进行更新。后续,网络设备基于UE提供的训练数据进行AI模型的训练,获得新的AI模型,如第三AI模型。在另一个示例中,用于更新AI模型的训练数据是在第二网元侧产生的,在此情况下,若第二网元确定没有训练数据或没有符合要求的训练数据用于新的AI模型的训练,则第二网元确定不对第一AI模型进行更新。例如,第二网元为UE,若UE确定没有训练数据,或者没有足够数量的训练数据,则确定不对第一AI模型进行训练。
905、第二网元根据确定结果,指示第一网元是否对第一AI模型进行更新。
在一种可能的情况下,若第二网元确定不对第一AI模型进行更新,则第二网元向第一网元发送第四指示信息,第四指示信息用于指示第一网元不对第一AI模型进行更新。在此情况下,第一网元执行步骤906。
906、第一网元根据第四指示信息,不对第一AI模型进行更新。
在另一种可能的情况下,若第二网元确定对第一AI模型进行更新,则第二网元向第一网元发送第四指示信息,第四指示信息用于指示第一网元对第一AI模型进行更新。在此情况下,第一网元执行步骤907。
907、第一网元根据第四指示信息,将第一AI模型更新为第三AI模型。
应理解,若第二网元确定对第一AI模型进行更新,则第二网元在指示第一网元对第一AI模型进行更新的同时,第二网元也对自己部署的第四AI模型进行更新,以匹配第一网元更新后的AI模型。具体地,第二网元将第四AI模型更新为第六AI模型,第六AI模型和第三AI模型匹配。
将方法900应用于CSI反馈的应用场景下时,以第一网元为UE,第二网元为接入网设备为例,UE上部署第一AI模型,接入网设备部署第四AI模型,第一AI模型和第四AI模型匹配。第一AI模型用于对UE测量的CSI进行压缩,或者,压缩和量化,第一AI模型的输出为反馈的CSI。第四AI模型的输入为第一AI模型的输出,第四AI模型的输出为恢复的CSI。第四AI模型的真值标签为UE侧测量的CSI。当UE确定对第一AI模型进行更新,UE向接入网设备发送更新请求,在接收到接入网设备的指示更新的信息(如第四指示信息的一种可能)之后,UE将第一AI模型更新为第三AI模型,同时,接入网设备将第四AI模型更新为第六AI模型。其中,第三AI模型和第六AI模型匹配。若UE接收到接入网设备的指示不作更新的信息(如第四指示信息的另一种可能),UE和接入网设备都不对当前使用的AI模型进行切换,UE继续使用第一AI模型,接入网设备继续使用第四AI模型。
以上实施例对本申请提供的切换或更新AI模型的方法在双端模型中的应用做了详细说明。可以理解的是,在上述双端模型的实施例中,UE根据对应关系信息判断是否需要对UE当前使用的AI模型进行切换或更新,在确定需要切换或更新之后,UE向接入网设备发送切换请求或更新请求。基于接入网设备针对该切换请求或更新请求反馈的肯定应答,例如,指示对第一AI模型进行切换的第三指示信息,或指示对第一AI模型进行切换的第四指示信息,UE才能对当前使用的第一AI模型进行切换或更新。
可选地,作为双端模型中AI模型的切换或更新的另一种实现方式,假设第一AI模型部署于在第二网元,根据对应关系信息确定是否需要对第一AI模型进行切换或更新的判断也可以由第一网元执行。例如,第二网元为UE,UE上部署第一AI模型,第一网元为接入网设备,接入网设备根据UE上报的第一信息(例如,第一参数的估计结果),确定UE侧的第一AI模型是否需要进行切换或更新。应注意,在双端模型中,接入网设备确定是否对UE侧的第一AI模型进行切换或更新,实际上是判断是否可以进行协同切换或协同更新,如果不能协同切换或协同更新,则指示UE不对第一AI模型进行切换或更新。如果接入网设备确定可以进行协同切换或协同更新,则指示UE对第一AI模型进行切换或更新。
图11为本申请提供的切换或更新AI模型的方法在AI-CSI反馈中的应用示例。
以第一网元为UE,第二网元为接入网设备为例进行说明。其中,UE部署第一AI模型,接入网设备部署第四AI模型,第一AI模型和第四AI模型匹配使用。
41、UE基于第一AI模型,接入网设备基于第四AI模型,进行AI-CSI反馈。
42、UE测量来自于接入网设备的CSI-RS,获得信道测量结果.
43、UE根据信道测量结果获得第一参数的估计结果。
44、UE向接入网设备发送第一信息,第一信息指示第一参数的估计结果。
45、可选地,接入网设备获取对应关系信息。
46、接入网设备根据第一信息和对应关系信息,确定是否对UE的第一AI模型进行切换或更新。
47、接入网设备根据确定结果,向UE发送指示信息,指示信息用于指示UE对第一AI模型进行切换或更新。
作为一个示例,接入网设备确定第一参数的估计结果对应N个取值中的第一取值,第一取值对应M个AI模型中的第二AI模型。接入网设备确定保存的W个AI模型中是否包含与第二AI模型匹配的AI模型。
若确定结果为W个AI模型中包含与第二AI模型匹配的第五AI模型,接入网设备确定对UE的第一AI模型进行切换。在此情况下,接入网设备向UE发送信息A,信息A指示UE将第一AI模型切换为第二AI模型。此外,接入网设备将第四AI模型切换为第五AI模型。若确定结果为W个AI模型中不包含与第二AI模型匹配的AI模型,则接入网设备确定不对UE的第一AI模型进行切换。
作为另一个示例,接入网设备确定第一参数的估计结果与N个取值中的任何一个取值不对应。接入网设备根据第一参数的估计结果,确定是否对UE的第一AI模型进行更新。若确定结果为对UE的第一AI模型进行更新,接入网设备向UE发送信息B,信息B指示UE对第一AI模型作更新。在此情况下,UE将第一AI模型更新为第三AI模型,接入网设备将第四AI模型更新为第六AI模型,其中,第三AI模型和第六AI模型匹配。
若确定结果为不对UE的第一AI模型进行更新,接入网设备可以不向UE发送任何指示,直到根据UE发送的第一信息确定对UE侧AI模型进行切换或更新为止。
48、UE根据来自于接入网设备的指示信息,对第一AI模型进行切换或更新。
例如,UE接收来自于接入网设备的信息A,若信息A指示不对第一AI模型进行切换,则UE不对第一AI模型作切换;若信息A指示对第一AI模型进行切换,则UE将第一AI模型切换为第二AI模型,在此情况下,接入网设备上的第四AI模型切换为第五AI模型,第五AI模型和第二AI模型匹配。又例如,UE接收来自于接入网设备的信息B,若信息B指示不对第一AI模型进行更新,则UE不对第一AI模型进行更新;例如,若信息B指示对第一AI模型进行更新,则UE将第一AI模型更新为第三AI模型,在此情况下,接入网设备将第四AI模型更新为第六AI模型。
在图11所示的实施例中,由于是否对UE侧的AI模型进行切换或更新的判断是由接入网设备来确定并指示给UE的,因此在接入网设备确定不对UE侧的AI模型作切换或更新的情况下,接入网设备不对UE作指示。只有在需要进行切换或更新的情况,接入网设备向UE发送指示切换或更新的信息,UE基于该指示切换或更新的信息,对UE侧的AI模型进行切换或更新。在没有接收到接入网设备的指示切换或更新的信息的情况下,UE对自己的AI模型不作切换或更新。
在上述实施例中,第一网元通过对AI模型的输入进行监测,可以判断出AI模型的使用环境的变化,从而可以及时判断是否需要对AI模型进行切换或更新,以适应使用环境的变化。
本申请考虑到双端模型的中间性能指标也可以反映出网络的最终性能,例如,网络吞吐性能,因此还提出对双端模型的中间性能指标进行监测的方案,以根据中间性能指标的监测结果来判断网络侧和UE侧是否需要协同进行AI模型的切换或更新。该实施例中,网络性能为最终性能,AI模型的性能相对于网络性能而言为中间性能。因此,中间性能指标可以应用于单边AI模型,例如前述的CSI预测或波束管理等应用场景下,或者,也可以应用于双边模型中,例如CSI反馈。当中间性能指标应用于单边AI模型中时,通过对AI模型的输入的指标进行监测,获得监测结果。其中,AI模型的的输入的指标如第一参数,监测结果如第一参数的估计结果。将第一参数的估计结果和AI模型的标签进行比较,获得GCS,并根据GCS和设定阈值T来确定是否对AI模型进行切换或更新。下面以双边模型为例,说明通过监测中间性能指标,对AI模型进行切换或更新的过程。
可选地,中间性能指标包括但不限于为:广义余弦相似度(generalized cosinesimilarity,GCS)、平方广义余弦相似度(square generalized cosine similarity,SGCS)、小区吞吐量指标、平均/边缘用户感知速率指标等中的一项或多项。
一般来说,AI模型的复杂度越高,该AI模型适应更复杂环境的鲁棒性将越好。为了使部署AI模型的网络性能不会随着AI模型的使用环境的变化而随之下降或恶化,该实施例将AI模型的复杂度与AI模型之间建立对应关系。若通过监测中间性能指标发现AI模型的使用环境发生变化,则可以根据对应关系,选择相应复杂度的AI模型,以保证始终采用可以满足精度需求的AI模型,进而保证相对稳定的网络性能。
在该实施例中,对应关系信息指示AI模型与AI模型的复杂度信息之间的对应关系。示例性地,该复杂度信息可以为复杂度等级。不同的复杂度等级对应不同的AI模型的精度或精度范围。
以中间性能指标为SGCS为例,UE侧的对应关系信息如表10所示,接入网设备侧的对应关系信息如表11所示。表10和表11为对应关系信息指示AI模型与AI模型的复杂度的对应关系的一个例子。以表10为例,AI模型1对应的复杂度等级1。AI模型2对应复杂度等级2,如果复杂度等级2高于复杂度等于1,表示AI模型2对使用环境的适应性更强。表10中以复杂度等级1至3为复杂度等级逐步升高,表11中以复杂度等级1至4为复杂度等级逐步升高为例。
表10
AI模型 | AI模型的复杂度等级 |
AI模型1 | 1 |
AI模型2 | 2 |
AI模型3 | 3 |
表11
AI模型 | AI模型的复杂度等级 |
AI模型a | 1 |
AI模型b | 2 |
AI模型c | 3 |
AI模型d | 4 |
参见图12,图12为双端模型中切换AI模型的方法的一个示例。
示例性地,假设UE当前使用的AI模型为第一AI模型,如表10中的AI模型1,网络侧当前使用的AI模型为第四AI模型,如表11中的AI模型a,AI模型1和AI模型a均对应复杂度等级1,也即第一AI模型和第四AI模型匹配。
在此基础上,结合图12来说明切换或更新AI模型的过程。
51、可选地,UE获取对应关系信息,对应关系信息指示UE侧的AI模型与AI模型的复杂度信息的对应关系。以表10为例,该对应关系信息指示3个复杂度等级及其对应的AI模型,具体为AI模型1至AI模型3。
52、UE测量来自于接入网设备的参考信号,获得信道测量结果。
53、UE基于第一AI模型对信道测量结果进行压缩,或者,基于第一AI模型对信道测量结果进行压缩和量化,获得反馈的信道测量结果。
54、UE向接入网设备发送反馈的信道测量结果。
接入网设备接收来自于UE的反馈的信道测量结果。
55、接入网设备基于第四AI模型对反馈的信道测量结果进行处理,获得恢复的信道测量结果。
56、接入网设备根据恢复的信道测量结果和验证数据集,确定是否对第四AI模型进行切换或更新。
接入网设备根据第四AI模型对反馈的信道测量结果进行恢复,得到恢复的信道测量结果。其中,验证数据集包括第四AI模型的标签,具体为测量的信道测量结果。通过比较恢复的信道测量结果和真值,可以确定恢复的信道测量结果和真值的差异程度。该差异程度可以由SGCS或GCS来指示。可选地,也可以为其它误差指标。以GCS为例,GCS越大,表示恢复的信道测量结果和真值越接近,第四AI模型的性能越好;反之,GCS越小,表示恢复的信道测量结果和真值的差异越大,第四AI模型的性能越差。由此可以判断是否对第四AI模型进行切换或更新。
示例性地,在监测中间性能指标的实施例中,切换条件可以为:中间性能指标的监测结果小于设定阈值T,且接入网设备侧的AI模型的模型库中包含复杂度高于当前使用的AI模型的复杂度的AI模型。
更新条件可以为:中间性能指标的监测结果小于设定阈值T,且接入网设备侧的AI模型的模型库中不包含复杂度高于当前使用的AI模型的复杂度的AI模型。
应理解,上述切换条件或更新条件中,中间性能指标的监测结果小于设定阈值T仅是作为示例,具体的切换条件或更新条件的设定可以取决于中间性能指标。例如,该切换条件或更新条件还可以为中间性能指标的监测结果大于或等于阈值T,或者,中间性能指标的监测结果和设定阈值T满足其它设定关系,本申请不作限定。
该实施例中以中间性能指标为SGCS或GCS为例,SGCS或GCS的取值大于设定阈值T,表示当前使用的AI模型的精度误差在可接受的范围,可以不作切换或更新;若SGCS或GCS的取值小于或等于设定阈值T,表示当前使用的AI模型的精度误差已经超过可接受的范围,此时,则有切换或更新A模型的需求。具体进行AI模型的切换或更新,取决于是否有可供切换的AI模型。若接入网设备侧的模型库中包含可供切换的AI模型,则确定进行AI模型的切换,否则确定进行AI模型的更新。以中间性能指标为SGCS,设定的阈值T为0.95为例,若中间性能指标的监测结果小于阈值T,则为满足切换条件/更新条件。假设接入网设备计算验证数据集的SGCS的取值为0.96,大于阈值0.95,则接入网设备确定不对第四AI模型作切换或更新。若接入网设备计算的SGCS的取值为0.91,小于阈值T,则接入网设备根据接入网设备侧的模型库中是否包含可供切换的AI模型,确定对第四AI模型作切换或更新。
图12中以接入网设备确定进行切换为例,如上所述,接入网设备当前使用的AI模型为AI模型a,AI模型a对应复杂度等于1。若接入网设备确定SGCS的取值小于阈值T,则根据对应关系信息1,确定接入网设备侧的模型库中包含复杂度高于AI模型a的复杂度的AI模型,接入网设备确定对AI模型a进行切换。
57、接入网设备向UE发送切换请求。
其中,切换请求用于指示接入网设备请求进行AI模型的切换。
58、UE基于切换请求,根据对应关系信息,确定是否进行AI模型的切换。
可选地,对应关系信息是协议预定义的,例如,对应关系信息1和对应关系信息2均为协议预定义,则接入网设备发送的切换请求可以携带请求切换的AI模型的标识,例如,切换请求中携带AI模型b的标识,或者AI模型2的标识。UE侧基于切换请求和AI模型b的标识或AI模型2的标识,可以,获知接入网设备侧请求对当前使用的AI模型进行切换。
可选地,对应关系信息2保存在接入网设备侧,对应关系信息1保存在UE侧,而接入网设备侧和UE侧使用的AI模型的复杂度等级及其数量是预定义或协商过的,则接入网设备发送的切换请求可以携带请求切换的AI模型的复杂度信息,例如指示复杂度等级2的信息。UE侧基于切换请求和AI模型的复杂度信息,可以获知接入网设备请求对当前的AI模型进行切换,并可以确定出UE侧的相应的用于切换的AI模型,如复杂度等级2对应的AI模型2。
可选地,对应关系信息2保存在接入网设备侧,对应关系信息1保存在UE侧。而接入网设备侧和UE侧使用的AI模型的复杂度等级及其数量是预定义或协商过的。示例性地,UE侧和接入网设备侧对于该应用场景(例如,CSI反馈)下的AI模型的切换规则是默认或者协商过的,此处,该切换规则是指在进行AI模型的切换时,AI模型的复杂度等级是逐步切换的,不会跨越复杂度等级进行切换。例如,若当前使用的AI模型a不符合精度要求,且AI模型b对应复杂度等级1,则默认为切换为复杂度等级2对应的AI模型b,而不会跨越复杂度等级2切换为更高复杂度等级的AI模型。在此实现方式下,接入网设备可以只向UE发送切换请求。UE基于UE基于切换请求,即可获知当前使用的第一AI模型的精度不符合精度要求,进而默认将AI模型1切换为AI模型2。
当然,也可以跨越复杂度等级进行AI模型的切换,例如,中间性能指标的监测结果与精度要求差距过大的情况下,此时,如前述实现中接入网设备侧向UE指示AI模型的复杂度信息的示例,或者AI模型的标识的示例,不再赘述。
以上以切换为例,对AI模型进行更新的过程也是类似的。当接入网设备确定接入网侧的AI模型库中的AI模型均不能满足当前的精度需求,则可以向UE发送更新请求。例如,接入网设备确定接入网侧的模型库中的复杂度等级最高的AI模型也不满足当前的精度需求,则确定对AI模型进行更新。
此外,上述示例中均以从低复杂度向高复杂度切换为例,当AI模型从复杂环境的场景中切换到简单环境的场景中时,也可以兼顾考虑AI模型的复杂度,在可以保证精度要求的情况下,从高复杂度的AI模型切换为低复杂度的AI模型,不作限定。
在步骤58中,若UE确定不对第一AI模型作切换,则UE向接入网设备发送不作切换的指示信息。在此情况下,UE和接入网设备均不作AI模型的切换,图12中未示出不切换的情况,仅示出需要切换的情况,如步骤59。
59、UE向接入网设备发送指示切换的信息。
接入网设备基于UE的指示切换的信息,将第四AI模型切换为第五AI模型。同时,UE将第一AI模型切换为第二AI模型,由此完成AI模型的协同切换。
在图12的示例中,通过监测双端模型的中间性能指标,也可以实现对AI模型的及时切换或更新,以适用AI模型的使用环境的变化,有助于降低或避免对部署有AI模型的网络的性能的影响。
图12的实施例中主要以AI模型的切换作为示例进行说明,本领域技术人员根据上文中监测AI模型的输入对AI模型进行更新的示例,可以获知监测中间性能指标来更新AI模型的实现,此处不再赘述。
以上对本申请提供的切换或更新AI模型的方法做了详细说明,以下对相应的通信装置进行描述。参见图13,本申请提供了一种通信装置1000。
如图13,通信装置1000包括处理模块1001和通信模块1002。该通信装置1000可以是终端设备,也可以是应用于终端设备或者和终端设备匹配使用、能够实现终端设备侧执行的方法的通信装置,例如,芯片、芯片系统或电路。或者,该通信装置1000可以是网络设备,也可以是应用于网络设备或者和网络设备匹配使用、能够实现网络设备侧执行的方法的通信装置,例如芯片、芯片系统或电路。示例性地,该网络设备可以为本申请方法实施例中的接入网设备。
其中,通信模块也可以称为收发模块、收发器、收发机、或收发装置等。处理模块也可以称为处理器,处理单板,处理单元、或处理装置等。可选的,通信模块用于执行上述方法中终端设备侧或网络设备侧的发送操作和接收操作,可以将通信模块中用于实现接收功能的器件视为接收单元,将通信模块中用于实现发送功能的器件视为发送单元,即通信模块包括接收单元和发送单元。
该通信装置1000应用于终端设备时,处理模块1001可用于实现图3~图12所述各实施例中所述终端设备的处理功能,通信模块1002可用于实现图3~图12所述各实施例中所述终端设备的收发功能。
该通信装置1000应用于网络设备时,处理模块1001可用于实现图3~图12所述各实施例中网络设备(例如,接入网设备)的处理功能,通信模块1002可用于实现图3~图12所述各实施例中网络设备的收发功能。
需要说明的是,图3-图4,图9-图10中所示的第一网元或第二网元具体可以为终端设备或网络设备(例如接入网设备)已经在前述的各方法实施例中作了详细说明,可以参考具体的实施例来理解第一网元或第二网元为终端设备或网络设备,这里不再赘述。
此外需要说明的是,前述通信模块和/或处理模块可通过虚拟模块实现,例如处理模块可通过软件功能单元或虚拟装置实现,通信模块可以通过软件功能或虚拟装置实现。或者,处理模块或通信模块也可以通过实体装置实现,例如若该装置采用芯片/芯片电路实现,所述通信模块可以是输入输出电路和/或通信接口,执行输入操作(对应前述接收操作)、输出操作(对应前述发送操作);处理模块为集成的处理器或者微处理器或者集成电路。
本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个示例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于相同的技术构思,参见图14,本申请还提供了一种通信装置1100。可选地,该通信装置1100可以是芯片或者芯片系统。可选的,在本申请中芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
通信装置1100可用于实现前述示例描述的通信系统中任一网元的功能。通信装置1100可以包括至少一个处理器1110。可选的,该处理器1110与存储器耦合,存储器可以位于该装置之内,或,存储器可以和处理器集成在一起,或,存储器也可以位于该装置之外。例如,通信装置1100还可以包括至少一个存储器1120。存储器1120保存实施上述任一示例中必要计算机程序、计算机程序或指令和/或数据;处理器1110可能执行存储器1120中存储的计算机程序,完成上述任一示例中的方法。
通信装置1100中还可以包括通信接口1130,通信装置1100可以通过通信接口1130和其它设备进行信息交互。示例性的,所述通信接口1130可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。当该通信装置1100为芯片类的装置或者电路时,该装置1100中的通信接口1130也可以是输入输出电路,可以输入信息(或称,接收信息)和输出信息(或称,发送信息),处理器为集成的处理器或者微处理器或者集成电路或则逻辑电路,处理器可以根据输入信息确定输出信息。
本申请中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器1110可能和存储器1120、通信接口1130协同操作。本申请中不限定上述处理器1110、存储器1120以及通信接口1130之间的具体连接介质。
可选的,如图14中所示,所述处理器1110、所述存储器1120以及所述通信接口1130之间通过总线1140相互连接。所述总线1140可以是外设部件互连标准(peripheralcomponent interconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请中,处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请中,存储器可以是非易失性存储器,比如硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
在一种可能的实施方式中,该通信装置1100可以应用于网络设备侧,例如本申请实施例中的接入网设备,核心网设备,或者,OTT系统中的主机或云端设备。具体地,通信装置1100可以是网络设备,也可以是能够支持网络设备实现上述涉及的任一示例中网络设备侧相应的功能的装置。存储器1120保存实现上述任一示例中的网络设备侧的功能的计算机程序(或指令)和/或数据。处理器1110可执行存储器1120存储的计算机程序,完成上述任一示例中网络设备侧执行的方法。该通信装置1100中的通信接口可用于与终端设备进行交互,向终端设备发送信息或者接收来自终端设备的信息;此外,可选地,该通信装置1000中的通信接口还可用于与其它网元(例如第三网元)进行交互,例如从第三网元获取对应关系信息,或者从第三网元获取AI模型等。
在另一种可能的实施方式中,该通信装置1100可以应用于终端设备,具体地,通信装置1100可以是终端设备,也可以是能够支持终端设备,实现上述涉及的任一示例中终端设备的功能的装置。存储器1120保存实现上述任一示例中的终端设备的功能的计算机程序(或指令)和/或数据。处理器1110可执行存储器1120存储的计算机程序,完成上述任一示例中终端设备执行的方法。该通信装置1100中的通信接口可用于与网络设备侧(例如,接入网设备)进行交互,向网络设备侧发送信息或者接收来自接入网设备的信息。
由于本示例提供的通信装置1100可应用于网络设备侧(例如接入网设备),完成上述网络设备侧执行的方法,或者应用于终端设备,完成终端设备执行的方法。因此其所能获得的技术效果可参考上述方法实施例中的说明,在此不再赘述。
基于以上示例,本申请提供了一种通信系统,在一个示例中,该通信系统包括第一网元和第二网元。在另一个示例中,该通信系统包括第一网元、第二网元和第三网元。该通信系统可以实现图3~图12所示的实施例中所提供的切换或更新AI模型的方法。
本申请提供的技术方案可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端设备、接入网设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质等。
在本申请中,在无逻辑矛盾的前提下,各示例之间可以相互引用,例如方法实施例之间的方法和/或术语可以相互引用,例如装置实施例之间的功能和/或术语可以相互引用,例如装置示例和方法示例之间的功能和/或术语可以相互引用。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (25)
1.一种切换或更新人工智能AI模型的方法,其特征在于,包括:
第一网元获取第一信息,所述第一信息指示第一参数的估计结果,所述第一参数的估计结果是基于信道测量结果的,所述信道测量结果为AI模型的输入;
所述第一网元根据对应关系信息和所述第一信息,确定是否对第一AI模型进行切换或更新,所述第一AI模型部署于所述第一网元或第二网元,其中,所述对应关系信息指示M个AI模型和第一参数的N个取值之间的对应关系,M为大于或等于1的整数,N为大于或等于1的整数。
2.如权利要求1所述的方法,其特征在于,所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行切换或更新,包括:
所述第一网元确定所述第一参数的估计结果对应所述N个取值中的第一取值,所述第一取值和所述M个AI模型中的第二AI模型对应;
所述第一网元确定将所述第一AI模型切换为所述第二AI模型。
3.如权利要求1所述的方法,其特征在于,所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行切换或更新,包括:
所述第一网元确定所述第一参数的估计结果与N个取值中的任何一个取值不对应;
所述第一网元确定对所述第一AI模型进行更新。
4.如权利要求1至3中任一项所述的方法,其特征在于,所述第一AI模型部署于所述第一网元,所述第一网元为终端设备。
5.如权利要求4所述的方法,其特征在于,所述第一网元根据对应关系信息和所述第一信息,确定将所述第一AI模型切换为所述第二AI模型之后,所述方法还包括:
所述第一网元向所述第二网元发送第一指示信息,所述第一指示信息用于指示所述第一网元请求将所述第一AI模型切换为所述第二AI模型。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
所述第一网元接收来自于所述第二网元的所述第二AI模型;
所述第一网元将所述第一AI模型切换为所述第二AI模型。
7.如权利要求4所述的方法,其特征在于,所述第一网元根据对应关系和所述第一信息,确定对所述第一AI模型进行更新之后,所述方法还包括:
所述第一网元向所述第二网元发送第二指示信息,所述第二指示信息用于请求对所述第一AI模型进行更新。
8.如权利要求4至7中任一项所述的方法,其特征在于,所述第一网元获取第一信息,包括:
所述第一网元测量参考信号,获得所述信道测量结果;
所述第一网元根据所述信道测量结果,获得所述第一参数的估计结果,所述第一信息包括所述第一参数的估计结果。
9.如权利要求8所述的方法,其特征在于,所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行切换或更新之前,所述方法还包括:
所述第一网元从所述第二网元或第三网元获取所述对应关系信息的部分或全部。
10.如权利要求1至3中任一项所述的方法,其特征在于,所述第一网元为网络设备,所述第一AI模型部署于所述第二网元,所述第二网元为终端设备。
11.如权利要求10所述的方法,其特征在于,所述第一网元获取第一信息,包括:
所述第一网元接收来自于所述第二网元的所述第一信息,所述第一信息包括所述第一参数的估计结果,或者,所述第一信息包括用于确定所述第一参数的估计结果的信息,所述第一参数的估计结果是基于所述第二网元侧通过对参考信号的测量所获得的信道测量结果的。
12.如权利要求10或11所述所述的方法,其特征在于,若所述第一网元根据对应关系信息和所述第一信息,确定将所述第一AI模型切换为所述第二AI模型,所述方法还包括:
所述第一网元向所述第二网元发送所述第二AI模型。
13.如权利要求11或12所述所述的方法,其特征在于,若所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行更新,所述方法还包括:
所述第一网元获取训练数据;
所述第一网元基于所述训练数据,进行AI模型的训练,获得第三AI模型;
所述第一网元向所述第二网元发送所述第三AI模型。
14.如权利要求4所述的方法,其特征在于,所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行切换之后,所述方法还包括:
所述第一网元向第二网元发送第一指示信息,所述第一指示信息用于指示所述第一网元请求对所述第一AI模型进行切换;
所述第一网元接收来自于所述第一网元的第三指示信息,所述第三指示信息用于指示所述第一网元对所述第一AI模型进行切换,或者,所述第三指示信息用于指示所述第一网元不对所述第一AI模型进行切换;
所述第一网元根据所述第三指示信息,将所述第一AI模型切换为所述第二AI模型,或者,所述第一网元根据所述第三指示信息不对所述第一AI模型进行切换。
15.如权利要求4所述的方法,其特征在于,所述第一网元根据对应关系信息和所述第一信息,确定对所述第一AI模型进行更新之后,所述方法还包括:
所述第一网元向所述第二网元发送第二指示信息,所述第二指示信息用于指示所述第一网元请求对所述第一AI模型进行更新;
所述第一网元接收来自于所述第二网元的第四指示信息,所述第四指示信息用于指示所述第一网元对所述第一AI模型进行更新,或者,所述第四指示信息用于指示所述第一网元不对所述第一AI模型进行更新;
所述第一网元根据所述第四指示信息,将所述第一AI模型更新为第三AI模型,或者饿,所述第一网元根据所述第四指示信息,不对所述第一AI模型进行更新。
16.如权利要求1至13中任一项所述的方法,其特征在于,所述AI模型应用于CSI预测或波束管理。
17.如权利要求14或15所述的方法,其特征在于,所述AI模型应用于CSI反馈。
18.如权利要求4至17中任一项所述的方法,其特征在于,所述第一参数包括如下一项或多项:
所述终端设备的移动速度;
信道的信号噪声干扰比SINR;或,
反映信道的非视距NLOS程度的参数。
19.如权利要求8或11所述的方法,其特征在于,所述参考信号为信道状态信息-参考信号CSI-RS。
20.如权利要求11所述的方法,所述第一网元上部署有第四AI模型,所述第四AI模型与所述第一AI模型匹配使用;
所述第一网元根据对应关系信息和所述第一信息,确定是否对所述第一AI模型进行切换,包括:
所述第一网元确定所述第一参数的估计结果对应所述N个取值中的第一取值,所述第一取值和所述M个AI模型中的第二AI模型对应;
所述第一网元确定保存的W个部署于所述第一网元的AI模型中是否包含与所述第二AI模型匹配的AI模型;
所述第一网元根据确定结果,确定是否对所述第一AI模型进行切换。
21.一种通信装置,其特征在于,用于实现如权利要求1-20中任一项所述的方法。
22.一种通信装置,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述处理器用于调用所述存储器存储的计算机程序指令,以执行如权利要求1-20任一项所述的方法。
23.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-20任一项所述的方法。
24.一种计算机程序产品,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-20任一项所述的方法。
25.一种通信系统,其特征在于,包括如权利要求21或22所述的通信装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358580.2A CN118042476A (zh) | 2022-11-01 | 2022-11-01 | 切换或更新ai模型的方法以及通信装置 |
PCT/CN2023/128955 WO2024094038A1 (zh) | 2022-11-01 | 2023-11-01 | 切换或更新ai模型的方法以及通信装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358580.2A CN118042476A (zh) | 2022-11-01 | 2022-11-01 | 切换或更新ai模型的方法以及通信装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118042476A true CN118042476A (zh) | 2024-05-14 |
Family
ID=90929745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211358580.2A Pending CN118042476A (zh) | 2022-11-01 | 2022-11-01 | 切换或更新ai模型的方法以及通信装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118042476A (zh) |
WO (1) | WO2024094038A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091679A (zh) * | 2020-08-24 | 2022-02-25 | 华为技术有限公司 | 一种更新机器学习模型的方法及通信装置 |
CN115146691A (zh) * | 2021-03-30 | 2022-10-04 | 华为技术有限公司 | 管控模型训练的方法及装置、系统 |
EP4315673A1 (en) * | 2021-03-30 | 2024-02-07 | InterDigital Patent Holdings, Inc. | Model-based determination of feedback information concerning the channel state |
-
2022
- 2022-11-01 CN CN202211358580.2A patent/CN118042476A/zh active Pending
-
2023
- 2023-11-01 WO PCT/CN2023/128955 patent/WO2024094038A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024094038A1 (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11838787B2 (en) | Functional architecture and interface for non-real-time ran intelligent controller | |
US20230262448A1 (en) | Managing a wireless device that is operable to connect to a communication network | |
US20230010095A1 (en) | Methods for cascade federated learning for telecommunications network performance and related apparatus | |
WO2021191176A1 (en) | Reporting in wireless networks | |
CN114389779B (zh) | 信道状态信息报告 | |
US11647532B1 (en) | Algorithm for mitigation of impact of uplink/downlink beam mismatch | |
CN114422380A (zh) | 神经网络信息传输方法、装置、通信设备和存储介质 | |
CN118042476A (zh) | 切换或更新ai模型的方法以及通信装置 | |
US11863354B2 (en) | Model transfer within wireless networks for channel estimation | |
EP3016458B1 (en) | Apparatus, Method and Computer Program for providing information related to a predicted channel state | |
EP4047382A1 (en) | Rf-fingerprinting map update | |
WO2024067193A1 (zh) | Ai模型训练中用于获取训练数据的方法以及通信装置 | |
WO2024098398A1 (en) | Methods, devices and medium for communication | |
WO2024100725A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2024075255A1 (ja) | 端末、無線通信方法及び基地局 | |
US20240007917A1 (en) | Dynamic quantization of artificial intelligence or machine learning models in a radio access network | |
WO2024075254A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2024080023A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2024060255A1 (en) | Methods, devices, and medium for communication | |
WO2024106379A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2024108445A1 (en) | Methods, devices and medium for communication | |
WO2024106380A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2023218543A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2024013852A1 (ja) | 端末、無線通信方法及び基地局 | |
WO2024013851A1 (ja) | 端末、無線通信方法及び基地局 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |