CN118077276A - 对指示机器学习(ml)模型组之间的切换的消息的监测 - Google Patents
对指示机器学习(ml)模型组之间的切换的消息的监测 Download PDFInfo
- Publication number
- CN118077276A CN118077276A CN202180102967.9A CN202180102967A CN118077276A CN 118077276 A CN118077276 A CN 118077276A CN 202180102967 A CN202180102967 A CN 202180102967A CN 118077276 A CN118077276 A CN 118077276A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- monitoring
- signaling
- learning model
- model sets
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 195
- 238000012544 monitoring process Methods 0.000 title claims abstract description 183
- 230000011664 signaling Effects 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 116
- 238000004891 communication Methods 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 23
- 210000004027 cell Anatomy 0.000 description 28
- 210000002569 neuron Anatomy 0.000 description 26
- 230000008569 process Effects 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000009849 deactivation Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 241000700159 Rattus Species 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 2
- 230000023886 lateral inhibition Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种由用户装备(UE)进行无线通信的方法包括接收配置多个机器学习模型组的消息。该方法还包括接收配置用于对在该机器学习模型组之间切换的指示的监测时机的信令,并且根据该信令监测该时机。该方法还包括响应于接收到在所监测的时机期间检测到的该指示而切换到该机器学习模型组中的一个机器学习模型组。
Description
技术领域
本公开整体涉及无线通信,并且更具体地涉及用于减少对指示机器学习(ML)模型组切换的消息的监测的技术和装置。
背景技术
无线通信系统被广泛部署以提供诸如电话、视频、数据、消息接发和广播等各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如,带宽、传输功率等)来支持与多个用户通信的多址技术。此类多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、时分同步码分多址(TD-SCDMA)系统和长期演进(LTE)。LTE/进阶的LTE是第三代合作伙伴计划(3GPP)发布的通用移动电信系统(UMTS)移动标准的一组增强功能。窄带(NB)物联网(IoT)和增强型机器类型通信(eMTC)是用于机器类型通信的LTE的一组增强功能。
无线通信网络可以包括多个基站(BS),这些基站(BS)可以支持多个用户装备(UE)的通信。用户装备(UE)可以经由下行链路和上行链路与基站(BS)通信。下行链路(或前向链路)是指从BS到UE的通信链路,而上行链路(或反向链路)是指从UE到BS的通信链路。如将更详细地描述的,BS可被称为节点B、演进型节点B(eNB)、gNB、接入点(AP)、无线电头端、传输接收点(TRP)、新空口(NR)BS、5G节点B等等。
以上多址技术已经在各种电信标准中被采纳以提供使得不同的用户装备能够在城市、国家、地区、以及甚至全球层面上进行通信的公共协议。新空口(NR)(也可以称为5G)是由第三代合作伙伴计划(3GPP)发布的对LTE移动标准的一组增强功能。NR被设计为通过以下方式更好地支持移动宽带互联网接入:提高频谱效率;降低成本;改进服务;利用新频谱;以及在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(OFDM)(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如,也被称为离散傅里叶变换扩频OFDM(DFT-s-OFDM))来更好地与其他开放标准集成;以及支持波束形成、多输入多输出(MIMO)天线技术和载波聚合。
人工神经网络可以包括互连的人工神经元组(例如,神经元模型)。人工神经网络可以是计算设备或表示为由计算设备执行的方法。卷积神经网络(诸如深度卷积神经网络)是一种前馈人工神经网络。卷积神经网络可以包括可以在平铺感受野中配置的神经元层。将神经网络处理应用于无线通信以实现更高的效率将是期望的。
发明内容
在本公开的各方面,一种由用户装备(UE)进行无线通信的方法包括接收配置多个机器学习模型组的消息。该方法还包括接收配置用于对在机器学习模型组之间切换的指示的监测时机的信令,并且根据该信令监测该时机。该方法还包括响应于接收到在所监测的时机期间检测到的指示而切换到机器学习模型组中的一个机器学习模型组。
本公开的其他方面涉及一种用于由UE进行无线通信的装置。该装置包括存储器和至少一个处理器,该至少一个处理器耦合到存储器并且被配置为接收配置机器学习模型组中的一个组的消息。该装置还被配置为接收配置用于对在机器学习模型组之间切换的指示的监测时机的信令,并且根据该信令监测该时机。该装置被进一步配置为响应于接收到在所监测的时机期间检测到的指示而切换到机器学习模型组中的一个机器学习模型组。
在本公开的其他方面,公开了一种由基站进行无线通信的方法。该方法包括传输配置多个机器学习模型组的消息。该方法还包括传输配置用于对在机器学习模型组之间切换的指示的监测时机的信令。
各方面总体上包括如基本上参考附图和说明书描述的并且如附图和说明书所例示的方法、装置、系统、计算机程序产品、非暂态计算机可读介质、用户装备、基站、无线通信设备和处理系统。
上文已经相当广泛地概述了根据本公开的示例的特征和技术优点,以便可以更好地理解下面的具体实施方式。将描述附加特征和优点。所公开的概念和特定示例可以容易地被用作用于修改或设计用于实现本公开的相同目的的其他结构的基础。此类等效的构造不背离所附权利要求书的保护范围。所公开的概念的特性在其组织和操作方法两方面以及相关联的优势将通过结合附图来考虑以下描述而被更好地理解。提供每个附图是出于例示和描述的目的,而不是作为权利要求的限制的定义。
附图说明
为了可以详细地理解本公开的特征,可以参照各方面进行更具体的描述,其中一些方面在附图中例示。然而应注意,附图仅示出了本公开的某些方面,并且因此不应被认为是对其范围的限制,因为该描述可以允许其他等效的方面。不同附图中的相同参考标号可标识相同或相似的元素。
图1是概念性地示出根据本公开的各个方面的无线通信网络的示例的框图。
图2是概念性地示出根据本公开的各个方面的在无线通信网络中基站与用户装备(UE)进行通信的示例的框图。
图3示出了根据本公开的某些方面的使用包括通用处理器的片上系统(SOC)设计神经网络的示例具体实施。
图4A、图4B和图4C是示出根据本公开的各方面的神经网络的示图。
图4D是示出根据本公开的各方面的示例性深度卷积网络(DCN)的示图。
图5是示出根据本公开的各方面的示例性深度卷积网络(DCN)的框图。
图6是示出根据本公开的各个方面的基于模型复杂度的分组的框图。
图7是示出根据本公开的各个方面的基于模型功能的分组的框图。
图8是示出根据本公开的各个方面的跳过用于机器学习模型组的监测时机的框图。
图9是示出根据本公开的各个方面的用于机器学习模型组的稀疏监测时机模式和密集监测时机模式的框图。
图10是示出根据本公开的各个方面的用于机器学习模型组的基础监测时机模式和子集监测时机模式的框图。
图11是示出根据本公开的各个方面的例如由用户装备(UE)执行的示例过程的流程图。
图12是示出根据本公开的各个方面的例如由基站执行的示例过程的流程图。
具体实施方式
以下参照附图更全面地描述本公开的各个方面。然而,本公开可以以许多不同的形式来体现,并且不应当被解释为限于贯穿本公开所呈现的任何特定的结构或功能。相反,提供这些方面以使得本公开将是透彻的和完整的,并且将向本领域技术人员完整地传达本公开的保护范围。基于教导内容,本领域技术人员应当认识到,本公开的范围旨在涵盖本公开的任何方面,无论该方面是独立于本公开的任何其他方面来实现的还是与任何其他方面组合地实现的。例如,使用所阐述的任意数量的方面可以实现装置或可以实践方法。此外,本公开的范围旨在涵盖使用作为所阐述的本公开的各个方面的补充或者另外的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应该理解的是,所公开的本公开的任何方面可以通过权利要求的一个或多个元素来体现。
现在将参照各种装置和技术给出电信系统的若干方面。这些装置和技术将在以下具体实施方式中描述,并且通过各种框、模块、组件、电路、步骤、过程、算法等等(统称为“元素”)在附图中示出。可以使用硬件、软件或它们的组合来实现这些元素。这些元素是作为硬件还是软件来实现取决于特定的应用和施加于整个系统的设计约束。
应当注意到,虽然各方面可使用通常与5G和后代无线技术相关联的术语来描述,但本公开的各方面可以在基于其他代的通信系统(诸如并包括3G和/或4G技术)中应用。
机器学习技术可用于改善无线通信。例如,机器学习可以辅助信道状态反馈、压缩和无线通信所涉及的其他功能。基站可采用机器学习技术,用户装备(UE)也可采用机器学习技术。
可在UE处配置并触发多个机器学习模型。可针对不同的应用功能指定多个机器学习模型。另选地,机器学习模型可以是用于相同应用功能的不同版本。可针对不同的泛化能力提供不同的模型。例如,机器学习模型可以是UE特定的或小区特定的。模型可具有不同的复杂度。例如,一些模型可能适合于低层UE,诸如物联网(IoT)设备,而其他模型可能非常适合于高端电话或更强大的设备。
此类不同的机器学习模型可被分类为不同的组。例如,组可以基于具有一个基线机器学习组以及一个或多个高级机器学习组的模型复杂度。分类可以基于机器学习部署条件。例如,可存在小区特定机器学习组、UE特定机器学习组、室内场景机器学习组、室外场景机器学习组或其他组。模型还可基于回退事件(例如,在机器学习失败时发生)来分组。这些组可包括回退到机器学习组的模型、回退到非机器学习组的模型、回退到正常机器学习组的模型以及回退到高级机器学习组的模型。
在部署期间,UE可能需要快速切换机器学习组以适应不同的条件和规格。例如,如果UE当前正在执行室外特定机器学习模型,则从室外移动到室内(诸如移动到购物中心)的UE在进入购物中心之后可能需要切换到室内特定模型。为了实现快速切换,将机器学习模型分类为室外组或室内组,并且UE从室外组切换到室内组。
本公开的各方面涉及减少对在机器学习模型组之间切换的指示的监测。通过减少监测,可实现功率节省。在一些方面,网络显式地发信号通知哪些模型组应当跳过监测。在此类方面,UE可禁用对与由网络显式地发信号通知的模型组相关联的模型组切换命令的监测。信令可被配置为去激活或激活对一个或多个模型组的监测。在一些方面,可在某个持续时间内禁用对一些模型组的监测。
根据本公开的各方面,可发生用于跳过显式模型组的信令。作为用于跳过模型组的显式信令的结果,可以避免不必要的模型组切换动作。在一些方面,激活或去激活信令可被嵌入用于访问新小区的过程(例如,移交事件)内。在其他方面,激活或去激活信令可以在用户装备模式下嵌入。
在本公开的其他方面,可引入稀疏时机模式。如上所述,UE可以总是在所配置的时机中监测模型配置。如果监测时机的模式是密集模式,则UE会消耗大量功率。
作为用于跳过模型组的显式信令的结果,可以避免不必要的模型组切换动作。例如,当UE处于具有低移动性的小区中并且/或者在夜间时(当睡眠时),大多数功能被禁用,或者非连续接收(DRX)被启用。在这种情况下,除了基础模型组之外,其他模型组可在一段长的持续时间内被去激活。
在一些方面,激活或去激活信令可被嵌入用于访问新小区的过程(例如,移交事件)内。在其他方面,激活或去激活信令可以在用户装备模式下嵌入。例如,在低电池条件下,许多模型组可被禁用。在这些过程中的每个过程中,可存在指示哪些模型组应当被激活或去激活的显式信令。
在本公开的其他方面,可引入稀疏时机模式。如上所述,UE可以总是在所配置的时机中监测模型配置。如果监测时机的模式是密集模式,则UE会消耗大量功率。
不同的模型组可以指定特定的监测模式。在一些方面,单独的信令配置监测模式。信令可以在不与任何特定模型或组相关联的一般机器学习配置中定义。例如,当UE与机器学习节点(例如,机器学习管理器)同步时,可以配置监测模式。信令还可与UE类型或工作模式相关联。
在其他方面,特定监测模式被嵌入模型组配置中。在这些方面,特定监测模式被包括在模型组配置中。当切换到一个模型组时,启用对应的监测模式。在一些方面,当同时配置多个不同模式时,启用最密集模式。例如,如果UE同时配置有多个模型组,每个模型组具有不同的模式,则仅启用最密集模式。
在其他方面,使用基于锚的模型模式配置,其中配置一个锚模型组集合。在这些方面,该集合可包括多个模型组。当UE利用锚模型组集合进行操作时,配置锚监测模式。例如,用于锚模型组集合的监测模式可以是稀疏时机模式。当UE切换到另一组时,启用另一监测模式。在一些方面,锚模型组集合被分配给UE最频繁地利用其进行操作的模型组。因此,UE通常不需要配置有监测模式。
在本公开的一些方面,监测模式是参考模式配置的子集。对于这些子集配置,定义基础监测模式。对于每个模式配置,仅配置一个子集。例如,子集配置可以修改监测周期性(密度比)和监测起点。
图1是示出可以在其中实践本公开的各方面的网络100的图。网络100可以是5G或NR网络、或者某种其他无线网络(诸如LTE网络)。无线网络100可以包括多个BS110(示出为BS110a、BS110b、BS110c和BS 110d)和其他网络实体。BS是与用户装备(UE)进行通信的实体,并且还可被称为基站、NR BS、节点B、gNB、5G节点B、接入点、传输接收点(TRP)等。每个BS可以为特定的地理区域提供通信覆盖。在3GPP中,根据术语使用的上下文,术语“小区”可以指代BS的覆盖区域和/或服务该覆盖区域的BS子系统。
BS可以为宏小区、微微小区、毫微微小区和/或另一种类型的小区提供通信覆盖。宏小区可以覆盖相对大的地理区域(例如,半径为几千米),并且可以允许具有服务订阅的UE不受限制地接入。微微小区可以覆盖相对小的地理区域,并且可以允许具有服务订阅的UE不受限制地接入。毫微微小区可以覆盖相对小的地理区域(例如,家庭),并且可以允许由与毫微微小区相关联的UE(例如,封闭订户组(CSG)中的UE)受限制地接入。用于宏小区的BS可称为宏BS。用于微微小区的BS可称为微微BS。用于毫微微小区的BS可以称为毫微微BS或家庭BS。在图1中示出的示例中,BS110a可以是用于宏小区102a的宏BS,BS110b可以是用于微微小区102b的微微BS,并且BS110c可以是用于毫微微小区102c的毫微微BS。BS可以支持一个或多个(例如,三个)小区。术语“eNB”、“基站”、“NR BS”、“gNB”、“AP”、“节点B”、“5GNB”、“TRP”和“小区”可以互换地使用。
在一些方面,小区不一定是静止的,并且小区的地理区域可以根据移动BS的位置而移动。在一些方面,BS可以使用任何适当的传输网络,通过各种类型的回程接口(诸如,直接物理连接、虚拟网络等等)来彼此互连和/或互连到无线网络100中的一个或多个其他BS或网络节点(未示出)。
无线网络100还可以包括中继站。中继站是可以从上游站(例如,BS或UE)接收数据的传输并且向下游站(例如,UE或BS)发送数据的传输的实体。中继站也可以是可以为其他UE中继传输的UE。在图1所示的示例中,中继站110d可以与宏BS110a和UE 120d进行通信,以便有助于实现BS110a和UE 120d之间的通信。中继站也可以称为中继BS、中继基站、中继等。
无线网络100可以是包括不同类型的BS(例如,宏BS、微微BS、毫微微BS、中继BS等等)的异构网络。这些不同类型的BS可以具有不同的传输功率水平、不同的覆盖区域并对无线网络100中的干扰具有不同的影响。例如,宏BS可以具有高传输功率水平(例如,5瓦至40瓦),而微微BS、毫微微BS和中继BS可以具有较低传输功率水平(例如,0.1瓦至2瓦)。
网络控制器130可以耦合到一组BS并为这些BS提供协调和控制。网络控制器130可以经由回程与BS进行通信。BS也可以例如经由无线或有线回程直接地或者间接地彼此通信。
UE 120(例如,120a、120b、120c)可以分散于整个无线网络100中,每个UE可以是静止的或移动的。UE也可以被称为接入终端、终端、移动站、订户单元、站等。UE可以是蜂窝电话(例如,智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板设备、相机、游戏设备、上网本、智能本、超级本、医疗设备或装备、生物传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能珠宝(例如,智能戒指、智能手环))、娱乐设备(例如,音乐或视频设备或卫星收音机)、车载组件或传感器、智能计量器/传感器、工业制造装备、全球定位系统设备、或者被配置为经由无线或有线介质进行通信的任何其他合适的设备。
一些UE可以被认为是机器类型通信(MTC)或者演进型或增强型机器类型通信(eMTC)UE。例如,MTC和eMTC UE包括可以与基站、另一设备(例如,远程设备)或者某种其他实体进行通信的机器人、无人机、远程设备、传感器、计量器、监测器、位置标签等等。无线节点可以例如经由有线或无线通信链路来为网络(例如,广域网(诸如互联网)或蜂窝网络)提供连通性或提供至该网络的连通性。一些UE可被视为物联网(IoT)设备,并且/或者可被实现为NB-IoT(窄带物联网)设备。一些UE可以被认为是用户驻地装备(CPE)。UE 120可以包括在外壳内,该外壳容纳UE 120的组件(诸如,处理器组件、存储器组件等)。
一般而言,任何数量的无线网络可以被部署在给定地理区域中。每个无线网络可以支持特定RAT,并且可以在一个或多个频率上操作。RAT也可以称为无线电技术、空中接口等。频率也可以称为载波、频率信道等。在给定的地理区域中每个频率可以支持单个RAT以避免不同RAT的无线网络之间的干扰。在某些情况下,可以部署NR或5G RAT网络。
在一些方面,两个或更多个UE 120(例如,示出为UE 120a和UE 120e)可以使用一个或多个侧链路信道来直接地通信(例如,不使用基站110作为媒介来相互通信)。例如,UE120可以使用对等(P2P)通信、设备到设备(D2D)通信、车联网(V2X)协议(例如,其可以包括车辆到车辆(V2V)协议、车辆到基础设施(V2I)协议等等)、网状网络等等进行通信。在这种情况下,UE 120可以执行由基站110执行的调度操作、资源选择操作和/或本文其他地方描述的其他操作。例如,基站110可以经由下行链路控制信息(DCI)、无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或者经由系统信息(例如,系统信息块(SIB))来配置UE 120。
UE 120可包括机器学习(ML)组监测模块140。为简洁起见,仅一个UE 120d被示出为包括ML组监测模块140。ML组监测模块140可接收配置多个机器学习模型组的消息;并且接收配置用于对在机器学习模型组之间切换的指示的监测时机的信令。ML组监测模块140还可以根据信令监测时机;并且响应于接收到在所监测的时机期间检测到的指示而切换到机器学习模型组中的一个机器学习模型组。
基站110可包括ML组监测模块138。为简洁起见,仅一个基站110a被示出为包括ML组监测模块138。ML组监测模块138可传输配置多个机器学习模型组的消息;并且传输配置用于对在机器学习模型组之间切换的指示的监测时机的信令。
如上文所指示的,图1仅作为示例提供。其他示例可以与参考图1所描述的示例不同。
图2示出了基站110和UE 120的设计200的框图,其中该基站和UE可以是图1中的基站中的一者以及UE中的一者。基站110可以装备有T个天线234a至234t,并且UE 120可以装备有R个天线252a至252r,其中,通常T≥1并且R≥1。
在基站110处,传输处理器220可从数据源212接收用于一个或多个UE的数据,至少部分地基于从每个UE接收到的信道质量指示符(CQI)来针对该UE选择一种或多种调制和译码方案(MCS),至少部分地基于针对每个UE选择的MCS来处理(例如,编码和调制)用于该UE的数据,并针对所有UE提供数据符号。减少MCS降低吞吐量,但是增加传输的可靠性。传输处理器220还可以处理系统信息(例如,针对半静态资源分区信息(SRPI)等)和控制信息(例如,CQI请求、授权、上层信令等),并提供开销符号和控制符号。传输处理器220还可以生成用于参考信号(例如,小区特定参考信号(CRS))和同步信号(例如,主同步信号(PSS)和辅同步信号(SSS))的参考符号。传输(TX)多输入多输出(MIMO)处理器230可在适用的情况下对数据符号、控制符号、开销符号和/或参考符号执行空间处理(例如,预译码),并且可将T个输出符号流提供给T个调制器(MOD)232a至232t。每个调制器232可以处理相应的输出符号流(例如,用于OFDM等)以获得输出采样流。每个调制器232可以进一步处理(例如,转换到模拟、放大、滤波以及上变频)输出采样流以获得下行链路信号。来自调制器232a至232t的T个下行链路信号可以分别经由T个天线234a至234t进行传输。根据以下更详细描述的各个方面,可以利用位置编码来生成同步信号以传送附加信息。
在UE 120处,天线252a至252r可以从基站110和/或其他基站接收下行链路信号,并且可以将所接收的信号分别提供给解调器(DEMOD)254a至254r。每个解调器254可以调节(例如,滤波、放大、下变频和数字化)接收信号以获得输入采样。每个解调器254可以进一步处理这些输入采样(例如,用于OFDM等)以获得所接收的符号。MIMO检测器256可以从所有R个解调器254a至254r获得所接收的符号,对所接收的符号执行MIMO检测(如果适用的话),并提供所检测的符号。接收处理器258可以处理(例如,解调和解码)所检测的符号,向数据宿260提供针对UE 120的经解码的数据,并向控制器/处理器280提供经解码的控制信息和系统信息。信道处理器可以确定参考信号接收功率(RSRP)、接收信号强度指示符(RSSI)、参考信号接收质量(RSRQ)、信道质量指示符(CQI)等等。在一些方面,UE 120的一个或多个组件可以包括在外壳中。
在上行链路上,在UE 120处,传输处理器264可以接收来自数据源262的数据以及来自控制器/处理器280的控制信息(例如,用于包括RSRP、RSSI、RSRQ、CQI等等的报告),并对该数据和控制信息进行处理。传输处理器264还可以针对一个或多个参考信号生成参考符号。来自传输处理器264的符号可以由TX MIMO处理器266进行预译码(如果适用的话),由调制器254a至254r进一步处理(例如,用于DFT-s-OFDM、CP-OFDM等),并传输回基站110。在基站110处,来自UE 120和其他UE的上行链路信号可以由天线234接收,由解调器254处理,由MIMO检测器236检测(如果适用的话),并且由接收处理器238进一步处理,以获得由UE120发送的经解码的数据和控制信息。接收处理器238可以将经解码的数据提供给数据宿239,并且将经解码的控制信息提供给控制器/处理器240。基站110可包括通信单元244并且经由通信单元244与网络控制器130通信。网络控制器130可以包括通信单元294、控制器/处理器290和存储器292。
基站110的控制器/处理器240、UE 120的控制器/处理器280、和/或图2的任何其他组件可执行与监测机器学习模型切换命令相关联的一种或多种技术,如在其他地方更详细描述的。例如,基站110的控制器/处理器240、UE 120的控制器/处理器280、和/或图2的任何其他组件可执行或指导例如图11和图12的过程和/或所描述的其他过程的操作。存储器242和282可以分别存储用于基站110和UE 120的数据和程序代码。调度器246可以针对下行链路和/或上行链路上的数据传输调度UE。
在一些方面,UE 120或基站110可包括用于接收的部件、用于监测的部件、用于切换的部件、用于选择的部件和用于传输的部件。此类部件可包括结合图2所述的UE 120或基站110的一个或多个组件。
如上文所指示的,图2仅作为示例提供。其他示例可以与参考图2所描述的示例不同。
在一些情况下,支持不同类型的应用和/或服务的不同类型的设备可以共存于小区中。不同类型的设备的示例包括UE手机、用户驻地装备(CPE)、交通工具、物联网(IoT)设备等。不同类型的应用的示例包括超可靠低时延通信(URLLC)应用、大规模机器类型通信(mMTC)应用、增强型移动宽带(eMBB)应用、车联网(V2X)应用等。此外,在一些情形中,单个设备可同时支持不同的应用或服务。
图3示出了根据本公开的某些方面的片上系统(SOC)300的示例具体实施,其可包括被配置用于生成用于神经网络训练的梯度的中央处理单元(CPU)302或多核CPU。SOC 300可以被包括在基站110或UE 120中。变量(例如,神经信号和突触权重)、与计算设备相关联的系统参数(例如,具有权重的神经网络)、延迟、频率槽信息和任务信息可存储在与神经处理单元(NPU)308相关联的存储块中、与CPU 302相关联的存储块中、与图形处理单元(GPU)304相关联的存储块中、与数字信号处理器(DSP)306相关联的存储块中、存储块318中,或者可跨多个块分布。在CPU 302处执行的指令可以从与CPU 302相关联的程序存储器加载,或者可以从存储块318加载。
SOC 300还可包括针对特定功能定制的附加处理块,诸如GPU 304、DSP 306、连接块310(其可包括第五代(5G)连接、第四代长期演进(4GLTE)连接、Wi-Fi连接、USB连接、蓝牙连接等)以及可以例如检测并识别姿势的多媒体处理器312。在一个具体实施中,NPU在CPU、DSP和/或GPU中实现。SOC 300还可包括传感器处理器314、图像信号处理器(ISP)316和/或导航模块320,该导航模块可包括全球定位系统。
SOC 300可以基于ARM指令集。在本公开的各方面,被加载到通用处理器302中的指令可包括用于接收配置多个机器学习模型组的消息的代码;用于接收配置用于对在机器学习模型组之间切换的指示的监测时机的信令的代码;用于根据信令监测时机的代码;以及用于响应于接收到在所监测的时机期间检测到的指示而切换到机器学习模型组中的一个机器学习模型组的代码。指令还可包括用于传输配置多个机器学习模型组的消息的代码;以及用于传输配置用于对在机器学习模型组之间切换的指示的监测时机的信令的代码。
深度学习架构可以通过学习在每一层中以连续的更高的抽象级别表示输入来执行对象识别任务,从而构建输入数据的有用特征表示。以这种方式,深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前,针对对象识别问题的机器学习方法可能严重依赖于人类工程化特征,可能与浅分类器组合。浅分类器可以是两类(two-class)线性分类器,例如,其中可以将特征向量分量的加权和与阈值进行比较以预测输入属于哪一类。人类工程化特征可以是由具有领域专业知识的工程师针对特定问题领域定制的模板或内核。相反,深度学习架构可以学习表示与人类工程师可设计的特征类似的特征,但是需要通过训练。此外,深度网络可以学习表示并识别人类可能尚未考虑的新类型的特征。
深度学习架构可以学习特征的层次结构。例如,如果用视觉数据呈现,则第一层可以学习识别输入流中相对简单的特征,诸如边缘。在另一个示例中,如果用听觉数据呈现,则第一层可以学习识别特定频率中的频谱功率。第二层以第一层的输出作为输入,可以学习识别特征的组合,诸如视觉数据的简单形状或听觉数据的声音组合。例如,较高层可以学习在视觉数据中表示复杂的形状或在听觉数据中表示词语。更高层可以学习识别常见的视觉对象或口语短语。
当应用于具有自然层次结构的问题时,深度学习架构可以表现得尤其出色。例如,机动化交通工具的分类可以受益于首先学习识别轮、挡风玻璃和其他特征。这些特征可以在较高层以不同的方式进行组合,以识别汽车、卡车和飞机。
神经网络可以被设计成具有多种连接模式。在前馈网络中,信息从较低层传递到较高层,其中,给定层中的每个神经元与较高层中的神经元通信。如上所述,可以在前馈网络的连续层中构建分层表示。神经网络还可以具有循环或反馈(也被称为自上而下)连接。在循环连接中,来自给定层中的神经元的输出可被传达给相同层中的另一神经元。循环架构可以有助于识别跨越按顺序传递给神经网络的输入数据块中的多于一个输入数据块的模式。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自上而下)连接。当高层级概念的识别可辅助辨别输入的特定低层级特征时,具有许多反馈连接的网络可能是有帮助的。
神经网络各层之间的连接可以是全连接的,或者是局部连接的。图4A示出了全连接的神经网络402的示例。在全连接的神经网络402中,第一层中的神经元可以将其输出传送到第二层中的每个神经元,使得第二层中的每个神经元将接收来自第一层中每个神经元的输入。图4B示出了局部连接的神经网络404的示例。在局部连接的神经网络404中,第一层中的神经元可以连接到第二层中有限数量的神经元。更一般地,局部连接的神经网络404的局部连接层可被配置为使得层中的每个神经元将具有相同或相似的连接模式,但其中连接强度可具有不同的值(例如,410、412、414和416)。局部连接的连接模式可能会在较高层中产生空间上不同的感受野,因为给定区域中的较高层神经元可以接收输入,该输入通过训练被调谐到网络的总输入的受限部分的属性。
局部连接的神经网络的一个示例是卷积神经网络。图4C示出了卷积神经网络406的示例。卷积神经网络406可被配置为使得与第二层中的每个神经元的输入相关联的连接强度是共享的(例如,408)。卷积神经网络可能非常适合于其中输入的空间位置有意义的问题。
一种类型的卷积神经网络是深度卷积网络(DCN)。图4D示出了被设计成从自图像捕获设备430(诸如车载相机)输入的图像426识别视觉特征的DCN 400的详细示例。当前示例的DCN 400可被训练为标识交通标志和交通标志上提供的数字。当然,可针对其他任务训练DCN 400,诸如标识车道标记或标识交通信号灯。
可通过监督学习来训练DCN 400。在训练期间,可向DCN 400呈现图像(诸如限速标志的图像426),并且随后可计算前向传递以产生输出422。DCN 400可包括特征提取部分和分类部分。在接收到图像426时,卷积层432可以将卷积核(未示出)应用于图像426以生成第一组特征图418。作为示例,卷积层432的卷积核可以是生成28x28特征图的5x5核。在本示例中,因为在第一组特征图418中生成了四个不同的特征图,因此在卷积层432处将四个不同的卷积核应用于图像426。卷积核也可以被称为滤波器或卷积滤波器。
第一组特征图418可由最大池化层(未示出)进行子采样以生成第二组特征图420。最大池化层减小第一组特征图418的大小。也就是说,第二组特征图420的大小(诸如14x14)小于第一组特征图418的大小(诸如28x28)。减小的大小向后续层提供类似的信息,同时减少存储器消耗。第二组特征图420可经由一个或多个后续卷积层(未示出)进一步卷积以生成一组或多组后续特征图(未示出)。
在图4D的示例中,第二组特征图420被卷积以生成第一特征向量424。此外,第一特征向量424被进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可包括与图像426的可能特征相对应的数字,诸如“标志”、“60”和“100”。Softmax函数(未示出)可以将第二特征向量428中的数字转换为概率。因此,DCN 400的输出422是图像426包括一个或多个特征的概率。
在本示例中,输出422中“标志”和“60”的概率高于输出422中其他数字(诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前,由DCN 400产生的输出422可能是不正确的。因此,可以计算输出422与目标输出之间的误差。目标输出是图像426的地面真值(例如,“标志”和“60”)。然后可以调整DCN 400的权重,使得DCN 400的输出422更接近于目标输出。
为了调整权重,学习算法可以计算权重的梯度向量。梯度可以指示权重被调整时误差将增加或减小的量。在顶层处,梯度可以直接对应于连接倒数第二层中的激活神经元和输出层中的神经元的权重的值。在较低层中,梯度可以取决于权重的值和较高层的所计算的误差梯度。该权重可随后被调整以减小误差。这种调整权重的方式可以被称为“反向传播”,因为它涉及通过神经网络的“反向传递”。
在实践中,可以通过少量示例来计算权重的误差梯度,使得所计算的梯度接近真实的误差梯度。这种近似方法可以被称为随机梯度下降。可以重复随机梯度下降,直到整个系统的可实现误差率停止下降或直到误差率达到目标水平。在学习之后,可向DCN呈现新图像(例如,图像426的限速标志),并且通过网络的前向传递可以产生输出422,该输出可被认为是DCN的推断或预测。
深度置信网络(DBN)是包括多层隐藏节点的概率模型。DBN可用于提取训练数据集的分层表示。DBN可以通过对受限玻尔兹曼机(RBM)的层进行堆叠来获得。RBM是一种类型的人工神经网络,其可以通过一组输入学习概率分布。因为RBM可以在没有关于每个输入应该被分类到的类别的信息的情况下学习概率分布,所以RBM通常用于无监督学习。使用无监督和受监督的混合范式,DBN的底部RBM可以以无监督的方式进行训练,并且可以用作特征提取器,而顶部RBM可以以受监督的方式进行训练(在来自前一层的输入和目标类的联合分布上)并且可以用作分类器。
深度卷积网络(DCN)是被配置有附加池化和归一化层的卷积网络的网络。DCN在许多任务上都达到了最先进的性能。DCN可以使用监督学习来训练,其中输入目标和输出目标两者对于许多范例是已知的并且被用于通过使用梯度下降方法来修改网络的权重。
DCN可以是前馈网络。另外,如上所述,从DCN的第一层中的神经元到下一较高层中的一组神经元的连接跨第一层中的各神经元被共享。DCN的前馈和共享连接可用于快速处理。例如,DCN的计算负担可能比包括循环或反馈连接的类似大小的神经网络的计算负担小得多。
卷积网络的每一层的处理可以被认为是空间不变的模板或基础投影。如果输入首先被分解为多个通道,诸如彩色图像的红、绿和蓝通道,那么在该输入上训练的卷积网络可以被认为是三维的,其中,两个空间维度沿着图像的轴,并且第三维度捕获颜色信息。卷积连接的输出可被认为在后续层中形成特征图,该特征图(例如,220)中的每个元素从前一层(例如,特征图218)中一定范围的神经元以及从该多个通道中的每个通道接收输入。特征图中的值可以用非线性(诸如校正,max(0,x))进一步处理。来自相邻神经元的值可以进一步池化,这对应于下采样,并且可以提供附加的局部不变性和降维。对应于白化的归一化也可以通过特征图中神经元之间的侧向抑制来应用。
深度学习架构的性能可以随着更多标记数据点变得可用或随着计算能力的增加而增加。现代深度神经网络通常用计算资源来训练,这些计算资源是仅十五年前的典型研究人员可用的计算资源的数千倍。新的架构和训练范式可以进一步提升深度学习的性能。校正的线性单元可以减少被称为梯度消失的训练问题。新的训练技术可以减少过度拟合,从而使得更大的模型能够实现更好的泛化。封装技术可以提取给定感受野中的数据,并进一步提高整体性能。
图5是示出深度卷积网络550的框图。深度卷积网络550可以包括基于连通性和权重共享的多个不同类型的层。如图5所示,深度卷积网络550包括卷积块554A、554B。卷积块554A、554B中的每一者可被配置有卷积层(CONV)356、归一化层(LNorm)558和最大池化层(MAX POOL)560。
卷积层556可以包括一个或多个卷积滤波器,其可以应用于输入数据以生成特征图。尽管仅示出了卷积块554A、554B中的两个卷积块,但本公开不限于此,而是替代地,根据设计偏好,深度卷积网络550中可以包括任何数量的卷积块554A、554B。归一化层558可以对卷积滤波器的输出进行归一化。例如,归一化层558可以提供白化或侧向抑制。最大池化层560可以在空间上提供下采样聚合以用于局部不变性和降维。
例如,深度卷积网络的并行滤波器组可被加载在SOC 300的CPU 302或GPU 304上以实现高性能和低功耗。在另选实施方案中,并行滤波器组可以被加载在SOC 300的DSP306或ISP 316上。另外,深度卷积网络550可以访问可存在于SOC 300上的其他处理块,诸如分别专用于传感器和导航的传感器处理器314和导航模块320。
深度卷积网络550还可以包括一个或多个完全连接层562(FC1和FC2)。深度卷积网络550还可包括逻辑回归(LR)层564。在深度卷积网络550的每个层556、558、560、562、564之间是待更新的权重(未示出)。层(例如,556、558、560、562、564)中的每个层的输出可以作为深度卷积网络550中层(例如,556、558、560、562、564)中的后一个层的输入,以从在卷积块554A中的第一个卷积块处提供的输入数据552(例如,图像、音频、视频、传感器数据和/或其他输入数据)学习分层特征表示。深度卷积网络550的输出是输入数据552的分类分数566。分类分数566可以是概率集合,其中每个概率是输入数据的概率,包括来自特征集合的特征。
如上文所指示的,图3至图5作为示例提供。其他示例可以与参考图3至图5所描述的示例不同。
机器学习技术可用于改善无线通信。例如,机器学习可以辅助信道状态反馈、压缩和无线通信所涉及的其他功能。基站可采用机器学习技术,用户装备(UE)也可采用机器学习技术。
可在UE处配置并触发多个机器学习模型。可针对不同的应用功能指定多个机器学习模型。另选地,机器学习模型可以是用于相同应用功能的不同版本。可针对不同的泛化能力提供不同的模型。例如,机器学习模型可以是UE特定的或小区特定的。模型可具有不同的复杂度。例如,一些模型可能适合于低层UE,诸如物联网(IoT)设备,而其他模型可能非常适合于高端电话或更强大的设备。
此类不同的机器学习模型可被分类为不同的组。例如,组可以基于具有一个基线机器学习组以及一个或多个高级机器学习组的模型复杂度。分类可以基于机器学习部署条件。例如,可存在小区特定机器学习组、UE特定机器学习组、室内场景机器学习组、室外场景机器学习组或其他组。模型还可基于回退事件(例如,在机器学习失败时发生)来分组。这些组可包括回退到机器学习组的模型、回退到非机器学习组的模型、回退到正常机器学习组的模型以及回退到高级机器学习组的模型。
在部署期间,UE可能需要快速切换机器学习组以适应不同的条件和规格。例如,如果UE当前正在执行室外特定机器学习模型,则从室外移动到室内(诸如移动到购物中心)的UE在进入购物中心之后可能需要切换到室内特定模型。为了实现快速切换,将机器学习模型分类为室外组或室内组,并且UE从室外组切换到室内组。利用这些组,网络仅需要触发组切换以适应不同的条件。可存在不同的分组规则。分组可以基于一个规则或规则的组合。
应当注意,作为特例,每个模型组可包含单个模型。一个组可被映射到单个机器学习模型,其中组切换等于单个模型配置。此外,每个模型组可包含多个模型,每个模型用于不同的应用,诸如CSI、定位等。常规的非机器学习算法可被认为是一个特殊模型组。如果对常规算法进行分组,则模型组切换还包括传统算法与机器学习模型之间的配置。
图6是示出根据本公开的各个方面的基于模型复杂度的分组的框图。在图6中,机器学习模型被分成不同的组。每个组被映射到一个特定的复杂度水平。组0可以是默认水平,即,具有最低复杂度要求的最低水平。组0的性能可以是基线性能水平。组N和组M是高级组,其具有更高的复杂度要求。低层UE可能不支持高级组,但这些组将提供更好的性能。如图6的示例中所见,每个组至少包括用于定位的模型(模型P)、用于信道状态反馈(CSF)的模型(模型C)、用于移交的模型(模型H)和用于波束管理的模型(模型B)。还可存在除图6所示之外的其他分组规则。分组可以基于一个规则或规则的组合。
在基于图6所示的复杂度分组规则的示例中,可以在功率节省模式中使用组0。如果UE正在运行来自组N的模型,则一旦UE回退到功率节省模式,工作组将切换到组0。因此,UE不需要更新每个模型以匹配功率节省模式。而是,UE仅切换到对应的模型组。在模型更新期间也可看到模型分组的有益效果。由于定义了多个不同的模型,如果更新每个模型,则模型下载和配置将导致更大的信令成本。因此,更新可以是基于组的。机器学习模型是数据驱动的解决方案。因此,通常,每个特定条件具有对应的模型。结果,针对一个特定条件优化的不同模型可被分类为一个组。
图7是示出根据本公开的各个方面的基于模型功能的分组的框图。例如,组0可能仅包括一些基本机器学习模型以支持基本功能,诸如处理CSF(例如,模型C)、波束管理(例如,模型B)、解码和/或信道估计。其他机器学习组(诸如至组N及以上)可包括用于可能更高级的其他功能(诸如定位(例如,模型P)、移交(例如,模型H)、处理干扰和/或信道感测)的机器学习模型。其他机器学习组可包括其他高级功能。可存在用于机器学习模型分组的其他规则。
例如,利用标准化或利用无线电资源控制(RRC)信令,可将模型分类为不同的组。模型组之间的切换可以基于RRC信令、介质访问控制(MAC)控制元素(MAC-CE)和/或物理下行链路控制信道(PDCCH)中的下行链路控制信息(DCI)。RRC信令或基于MAC-CE的解决方案可能不总是足够灵活或快速地触发切换动作。尽管DCI可以提供快速且灵活的配置,但在用于模型组切换的DCI中存在有限的资源。
PDCCH可以配置模型组切换。可以在PDCCH下行链路控制信息(DCI)中定义机器学习组切换字段。该字段可指示机器学习组切换,并且还可被扩展为包括诸如模型激活和去激活的其他信息。除了DCI指示之外,组切换可以由MAC-CE或无线电资源控制(RRC)信令来配置。例如,UE可访问新小区并且动态地切换到对应的组。
UE监测PDCCH字段以检查机器学习配置。一般来讲,UE被配置有多个组以适应不同的条件,并且因此监测每个组。此外,网络(例如,机器学习管理器)可以周期性地启用组切换或模型更新。UE监测模型配置更新以适应不同的环境或条件。然而,模型自适应过程涉及大的信令成本。根据本公开的各方面,跳过监测时机和/或引入稀疏时机模式可用于降低配置资源成本,同时维持灵活性和性能。
在一些方面,网络显式地发信号通知哪些模型组应当跳过对模型组切换命令的监测。信令可被配置为去激活或激活对一个或多个模型组的监测。在一些方面,可在某个持续时间内禁用对一些模型组的监测。
图8是示出根据本公开的各个方面的跳过用于机器学习模型组的监测时机的框图。在图8的示例中,存在四个组:第零组、第一组、第二组和第三组。利用组切换启用不同的组以适应变化的条件。在时间t0处,UE将对第三组的监测切换到对第一组的监测。在时间t1处,UE从第一组切换到第零组。在时间t2处,根据本公开的各方面,网络发信号通知去激活对第一模型组的监测。在时间t3处,UE切换到第三组,并且在时间t4处,UE切换到监测除第一组之外的另一组。在时间t5处,UE接收激活第一组的消息。因此,在时间t2和t5之间,UE不监测与第一模型组相关的命令,但是能够在于时间t5处接收到激活消息之后再次切换到第一组。在时间t6处,UE从第二组切换到第一组,因为第一组在时间t5处再次被激活。
根据本公开的各方面,用于跳过显式模型组的信令可作为过程的一部分发生。该过程包括经由无线电资源控制(RRC)信令配置模型组列表。UE可接收下行链路控制信息中的模型组切换指示。可以在RRC信令、MAC-CE或下行链路控制信息中定义模型组激活或去激活。一般来讲,激活或去激活是静态和低频配置。
作为用于跳过模型组的显式信令的结果,可以避免不必要的模型组切换动作。例如,当UE处于具有低移动性的小区中并且/或者在夜间时(例如,当用户正在睡眠时),大多数功能被禁用,或者非连续接收(DRX)被启用。在这种情况下,除了基础模型组之外,其他模型组可在一段长的持续时间内被去激活。
在一些方面,激活或去激活信令可被嵌入用于访问新小区的过程(例如,移交事件)内。在其他方面,激活或去激活信令可以在用户装备模式下嵌入。例如,在低电池条件下,许多模型组可被禁用。在这些过程中的每个过程中,可存在指示哪些模型组应当被激活或去激活的显式信令。
在本公开的其他方面,可引入稀疏时机模式。如上所述,UE可以总是在所配置的时机中监测模型配置。如果监测时机的模式是密集模式,则UE会消耗大量功率。
不同的模型组可以指定特定的监测模式。在一些方面,单独的信令配置监测模式。信令可以在不与任何特定模型或组相关联的一般机器学习配置中定义。例如,当UE与机器学习节点(例如,机器学习管理器)同步时,可以配置监测模式。信令还可与UE类型或工作模式相关联。例如,在UE机器学习能力报告之后,低层UE被配置有低监测模式。又如,当UE在非连续接收(DRX)空闲模式中工作时,UE可被配置有低密度以用于模型监测。
在其他方面,特定监测模式被嵌入模型组配置中。在这些方面,特定监测模式被包括在模型组配置中。当切换到一个模型组时,启用对应的监测模式。在一些方面,当同时配置多个不同模式时,启用最密集模式。例如,如果UE同时配置有多个模型组,每个模型组具有不同的模式,则仅启用最密集模式。为了将监测模式嵌入模型配置,模型组配置可包括模型组的模型编号和监测模式以及其他参数。
在其他方面,使用基于锚的模型模式配置,其中配置一个锚模型组集合。在这些方面,该集合可包括多个模型组。当UE利用锚模型组集合进行操作时,配置锚监测模式。例如,用于锚模型组集合的监测模式可以是稀疏时机模式。当UE切换到另一组时,启用另一监测模式。在一些方面,锚模型组集合被分配给UE最频繁地利用其进行操作的模型组。因此,UE通常不需要配置有监测模式。
图9是示出根据本公开的各个方面的用于机器学习模型组的稀疏监测时机模式和密集监测时机模式的框图。在根据图9的示例中,第零组被指定为锚模型组集合。当UE利用第零组进行操作时,机器学习模型监测被配置为稀疏模式902。在该示例中,第二组也是锚模型组集合的一部分。系统仅检查第二组是否在锚模型组集合中以确定监测模式。如果UE正在使用的模型是锚模型组集合的一部分,则UE不需要新的监测模式。当UE在另一个组(例如,第一组,其不是锚模型集合的一部分)中工作时,UE被配置用于以密集模式进行监测904。
在本公开的一些方面,监测模式是参考模式配置的子集。对于这些子集配置,定义基础监测模式。对于每个模式配置,仅配置一个子集。例如,子集配置可以修改监测周期性(密度比)和监测起点。
图10是示出根据本公开的各个方面的用于机器学习模型组的基础监测时机模式和子集监测时机模式的框图。在图10的示例中,用多个监测时机1008定义基础模式1002。为简洁起见,图10的示例仅包括用于基础模式1002的时机1008的一个标签。第一模型组的模式1004的密度为基础模式1002的密度的一半。因此,基于基础模式1002的二分之一密度,当UE在第一组中工作时,针对第一组监测的时机1010、1012、1014、1016、1018是第一组的时机1008的一半。另外,第二模型组的模式1006的密度为基础模式1002的密度的四分之一。因此,基于基础模式1002的四分之一密度,当UE被切换到第二组时,针对第二组监测的时机1020、1022、1024是第一组的时机1026的四分之一。
图11是示出根据本公开的各个方面的例如由用户装备(UE)执行的示例过程1100的流程图。示例过程1100是减少对指示机器学习(ML)模型组切换的消息的监测的示例。过程1100的操作可由UE 120实现。
在框1102处,UE接收配置多个机器学习模型组的消息。例如,UE(例如,使用天线252、DEMOD/MOD 254、MIMO检测器256、接收处理器258、控制器/处理器280和/或存储器282)可接收配置多个机器学习模型组的消息。可针对不同的应用功能指定多个机器学习模型组。机器学习模型可以是用于相同应用功能的不同版本。在一些方面,消息是经由RRC信令接收的。
在框1104处,UE接收配置用于对在机器学习模型组之间切换的指示的监测时机的信令。例如,UE(例如,使用天线252、DEMOD/MOD 254、MIMO检测器256、接收处理器258、控制器/处理器280和/或存储器282)可接收配置监测时机的信令。UE可接收下行链路控制信息中的模型组切换指示。可以在RRC信令、MAC-CE或下行链路控制信息中定义模型组激活或去激活。信令可被配置为去激活或激活对一个或多个模型组的监测。在一些方面,可在某个持续时间内禁用对一些模型组的监测。
在框1106处,UE根据信令监测时机。例如,UE(例如,使用控制器/处理器280和/或存储器282)可根据信令监测时机。根据本公开的各方面,跳过监测时机和/或引入稀疏时机模式可用于降低配置资源成本,同时维持灵活性和性能。
在框1108处,UE响应于接收到在所监测的时机期间检测到的指示而切换到机器学习模型组中的一个机器学习模型组。例如,UE(例如,使用控制器/处理器280和/或存储器282)可响应于接收到指示而切换机器学习模型组。在一些方面,当UE切换到另一组时,启用另一监测模式。在一些方面,锚模型组集合被分配给UE最频繁地利用其进行操作的模型组。因此,UE通常不需要配置有监测模式。
图12是示出根据本公开的各个方面的例如由基站执行的示例过程1200的流程图。示例过程1200是用于减少对指示机器学习(ML)模型组切换的消息的监测的方法的示例。过程1200的操作可由基站110实现。
在框1202处,基站可传输配置多个机器学习模型组的消息。例如,基站(例如,使用天线234、MOD/DEMOD 232、TX MIMO处理器230、传输处理器220、控制器/处理器240和/或存储器242)可传输配置消息。在一些方面,消息是经由RRC信令传输的。
在框1204处,基站可传输配置用于对在多个机器学习模型组之间切换的指示的监测时机的信令。例如,基站(例如,使用天线234、MOD/DEMOD 232、TX MIMO处理器230、传输处理器220、控制器/处理器240和/或存储器242)可传输配置监测时机的信令。在一些方面,配置监测时机的信令去激活或激活对机器学习模型组中的至少一个机器学习模型组的监测。在其他方面,经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来传输配置监测时机的信令。在其他方面,配置监测时机的信令是移交过程的一部分。在另外的方面,配置监测时机的信令基于UE的模式或UE的类型。在一些方面,配置监测时机的信令作为不与机器学习组中的任一个机器学习组相关联的一般机器学习配置的一部分来传输。配置监测时机的信令可基于UE的模式或UE的类型来传输。
示例方面
方面1:一种由用户装备(UE)进行无线通信的方法,所述方法包括:接收配置多个机器学习模型组的消息;接收配置用于对在所述多个机器学习模型组之间切换的指示的监测时机的信令;根据所述信令监测所述时机;以及响应于接收到在所监测的时机期间检测到的所述指示,切换到所述多个机器学习模型组中的一个机器学习模型组。
方面2:根据方面1所述的方法,其中所述信令去激活或激活对所述多个机器学习模型组中的至少一个机器学习模型组的监测。
方面3:根据方面1或2所述的方法,其中经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来接收配置所述监测时机的所述信令。
方面4:根据前述方面中任一方面所述的方法,其中所述信令是移交过程的一部分。
方面5:根据前述方面中任一方面所述的方法,其中所述信令基于所述UE的模式或所述UE的类型。
方面6:根据前述方面中任一方面所述的方法,其中在不与所述多个机器学习模型组中的任一个机器学习模型组相关联的一般机器学习配置中接收所述信令。
方面7:根据前述方面中任一方面所述的方法,其中所述信令基于所述UE的模式或所述UE的类型来接收。
方面8:根据前述方面中任一方面所述的方法,其中配置所述多个机器学习模型组的所述消息包括配置所述监测时机的所述信令。
方面9:根据前述方面中任一方面所述的方法,所述方法还包括响应于接收到配置用于所述多个机器学习模型组的所述监测时机的所述信令而选择最密集监测模式,所述信令包括多个监测模式。
方面10:根据前述方面中任一方面所述的方法,其中配置所述监测时机的所述信令指示与锚机器学习组相关联的锚监测模式的子集,所述子集对应于所述多个机器学习模型组中的一个机器学习模型组,所述方法还包括:响应于所述UE利用所述锚机器学习组进行操作,根据所述锚监测模式进行监测;以及响应于所述UE切换到所述多个机器学习模型组中的所述一个机器学习模型组,根据所述子集进行监测。
方面11:根据前述方面中任一方面所述的方法,其中所述子集包括周期性和偏移。
方面12:一种由基站进行无线通信的方法,所述方法包括:向用户装备(UE)传输配置多个机器学习模型组的消息;以及向所述UE传输配置用于对在所述多个机器学习模型组之间切换的指示的所述监测时机的信令。
方面13:根据方面12所述的方法,其中配置所述监测时机的所述信令去激活或激活对所述多个机器学习模型组中的至少一个机器学习模型组的监测。
方面14:根据方面12或13所述的方法,其中经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来传输配置所述监测时机的所述信令。
方面15:根据方面12至14中任一方面所述的方法,其中配置所述监测时机的所述信令是移交过程的一部分。
方面16:根据方面12至15中任一方面所述的方法,其中配置所述监测时机的所述信令基于所述UE的模式或所述UE的类型。
方面17:根据方面12至16中任一方面所述的方法,其中配置所述监测时机的所述信令作为不与所述多个机器学习模型组中的任一个机器学习模型组相关联的一般机器学习配置的一部分来传输。
方面18:根据方面12至17中任一方面所述的方法,其中配置所述监测时机的所述信令基于所述UE的模式或所述UE的类型来传输。
方面19:根据方面12至18中任一方面所述的方法,其中配置所述多个机器学习模型组的所述消息包括配置所述监测时机的所述信令。
方面20:根据方面12至19中任一方面所述的方法,其中配置所述监测时机的所述信令指示与锚机器学习组相关联的锚监测模式的子集,所述子集对应于所述多个机器学习模型组中的一个机器学习模型组。
方面21:根据方面12至20中任一方面所述的方法,其中所述子集包括周期性和偏移。
方面22:一种用于由用户装备(UE)进行无线通信的装置,所述装置包括:存储器;和至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置为:接收配置多个机器学习模型组的消息;接收配置用于对在所述多个机器学习模型组之间切换的指示的所述监测时机的信令;根据所述信令监测所述时机;以及响应于接收到在所监测的时机期间检测到的所述指示,切换到所述多个机器学习模型组中的一个机器学习模型组。
方面23:根据方面22所述的装置,其中配置所述监测时机的所述信令去激活或激活对所述多个机器学习模型组中的至少一个机器学习模型组的监测。
方面24:根据方面22或23所述的装置,其中经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来接收配置所述监测时机的所述信令。
方面25:根据方面22至24中任一方面所述的装置,其中在不与所述多个机器学习模型组中的任一个机器学习模型组相关联的一般机器学习配置中接收配置所述监测时机的所述信令。
方面26:根据方面22至25中任一方面所述的装置,其中配置所述监测时机的所述信令基于所述UE的模式或所述UE的类型来接收。
方面27:根据方面22至26中任一方面所述的装置,其中配置所述多个机器学习模型组的所述消息包括配置所述监测时机的所述信令。
方面28:根据方面22至27中任一方面所述的装置,其中所述至少一个处理器被进一步配置为响应于接收到配置用于具有多个不同监测模式的所述多个机器学习模型组的所述监测时机的所述信令而选择最密集监测模式。
方面29:根据方面22至28中任一方面所述的装置,其中配置所述监测时机的所述信令指示与锚机器学习组相关联的锚监测模式的子集,所述子集对应于所述多个机器学习模型组中的一个机器学习模型组,所述至少一个处理器被进一步配置为:响应于所述UE利用所述锚机器学习组进行操作,根据所述锚监测模式进行监测;以及响应于所述UE切换到所述多个机器学习模型组中的所述一个机器学习模型组,根据所述子集进行监测。
方面30:根据方面22至29中任一方面所述的装置,其中所述子集包括周期性和偏移。
前述公开内容提供了例示和描述,但不旨在穷举或将各方面限于所公开的精确形式。可以根据上述公开内容进行修改和变型,或者可以从这些方面的实践中获得修改和变型。
如所使用的,术语“组件”旨在被宽泛地解释为硬件、固件和/或硬件与软件的组合。如本文所使用的,利用硬件、固件和/或硬件和软件的组合来实现处理器。
结合阈值来描述了一些方面。如本文所使用的,根据上下文,满足阈值可以指代值大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值、不等于阈值等等。
将显而易见的是,所描述的系统和/或方法可以按硬件、固件、和/或硬件与软件的组合的不同形式来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制各方面。因此,在没有参考具体软件代码的情况下描述了这些系统和/或方法的操作和性能,应当理解的是,可以至少部分地基于这里的描述来设计用来实现这些系统和/或方法的软件和硬件。
尽管在权利要求中阐述了并且/或者在说明书中公开了特征的组合,但是这些组合并不旨在限制各个方面的公开内容。事实上,可以以权利要求中没有具体阐述和/或说明书中没有公开的方式来组合这些特征中的许多特征。尽管下面列出的每个从属权利要求可能直接仅依赖于一个权利要求,但是各个方面的公开内容包括每个从属权利要求与权利要求集合中的每个其他权利要求组合。提及项目列表中的“至少一者”的短语是指那些项目的任何组合,包括单个成员。举例而言,“a、b或c中的至少一者”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c,以及具有多个相同元素的任何组合(例如,a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c,或者a、b和c的任何其他排序)。
所使用的元素、动作或指令不应被解释为关键或必要的,除非明确说明。此外,如本文所使用的,冠词“一”和“一个”旨在包括一个或多个项目,其可以与“一个或多个”互换地使用。此外,如本文所使用的,术语“集合”和“组”旨在包括一个或多个项目(例如,相关的项目、无关的项目、相关项目和无关项目的组合等等),并且可以与“一个或多个”互换地使用。如果仅想要指一个项目,将使用短语“仅一个”或类似用语。此外,如本文所使用的,术语“具有”、“拥有”、“有”等等旨在是开放式术语。此外,短语“基于”旨在表示“至少部分地基于”,除非另有明确说明。
Claims (30)
1.一种由用户装备(UE)进行无线通信的方法,所述方法包括:
接收配置多个机器学习模型组的消息;
接收配置用于对在所述多个机器学习模型组之间切换的指示的监测时机的信令;
根据所述信令监测所述时机;以及
响应于接收到在所监测的时机期间检测到的所述指示,切换到所述多个机器学习模型组中的一个机器学习模型组。
2.根据权利要求1所述的方法,其中所述信令去激活或激活对所述多个机器学习模型组中的至少一个机器学习模型组的监测。
3.根据权利要求2所述的方法,其中经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来接收配置所述监测时机的所述信令。
4.根据权利要求3所述的方法,其中所述信令是移交过程的一部分。
5.根据权利要求3所述的方法,其中所述信令基于所述UE的模式或所述UE的类型。
6.根据权利要求1所述的方法,其中在不与所述多个机器学习模型组中的任一个机器学习模型组相关联的一般机器学习配置中接收所述信令。
7.根据权利要求1所述的方法,其中所述信令基于所述UE的模式或所述UE的类型来接收。
8.根据权利要求1所述的方法,其中配置所述多个机器学习模型组的所述消息包括配置所述监测时机的所述信令。
9.根据权利要求8所述的方法,所述方法还包括响应于接收到配置用于所述多个机器学习模型组的所述监测时机的所述信令而选择最密集监测模式,所述信令包括多个监测模式。
10.根据权利要求1所述的方法,其中配置所述监测时机的所述信令指示与锚机器学习组相关联的锚监测模式的子集,所述子集对应于所述多个机器学习模型组中的一个机器学习模型组,所述方法还包括:
响应于所述UE利用所述锚机器学习组进行操作,根据所述锚监测模式进行监测;以及
响应于所述UE切换到所述多个机器学习模型组中的所述一个机器学习模型组,根据所述子集进行监测。
11.根据权利要求10所述的方法,其中所述子集包括周期性和偏移。
12.一种由基站进行无线通信的方法,所述方法包括:
向用户装备(UE)传输配置多个机器学习模型组的消息;以及
向所述UE传输配置用于对在所述多个机器学习模型组之间切换的指示的所述监测时机的信令。
13.根据权利要求12所述的方法,其中配置所述监测时机的所述信令去激活或激活对所述多个机器学习模型组中的至少一个机器学习模型组的监测。
14.根据权利要求13所述的方法,其中经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来传输配置所述监测时机的所述信令。
15.根据权利要求14所述的方法,其中配置所述监测时机的所述信令是移交过程的一部分。
16.根据权利要求14所述的方法,其中配置所述监测时机的所述信令基于所述UE的模式或所述UE的类型。
17.根据权利要求12所述的方法,其中配置所述监测时机的所述信令作为不与所述多个机器学习模型组中的任一个机器学习模型组相关联的一般机器学习配置的一部分来传输。
18.根据权利要求12所述的方法,其中配置所述监测时机的所述信令基于所述UE的模式或所述UE的类型来传输。
19.根据权利要求12所述的方法,其中配置所述多个机器学习模型组的所述消息包括配置所述监测时机的所述信令。
20.根据权利要求12所述的方法,其中配置所述监测时机的所述信令指示与锚机器学习组相关联的锚监测模式的子集,所述子集对应于所述多个机器学习模型组中的一个机器学习模型组。
21.根据权利要求20所述的方法,其中所述子集包括周期性和偏移。
22.一种用于由用户装备(UE)进行无线通信的装置,所述装置包括:
存储器;和
至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置为:
接收配置多个机器学习模型组的消息;
接收配置用于对在所述多个机器学习模型组之间切换的指示的监测时机的信令;
根据所述信令监测所述时机;以及
响应于接收到在所监测的时机期间检测到的所述指示,切换到所述多个机器学习模型组中的一个机器学习模型组。
23.根据权利要求22所述的装置,其中配置所述监测时机的所述信令去激活或激活对所述多个机器学习模型组中的至少一个机器学习模型组的监测。
24.根据权利要求23所述的装置,其中经由无线电资源控制(RRC)信令、介质访问控制-控制元素(MAC-CE)或下行链路控制信息(DCI)消息来接收配置所述监测时机的所述信令。
25.根据权利要求22所述的装置,其中在不与所述多个机器学习模型组中的任一个机器学习模型组相关联的一般机器学习配置中接收配置所述监测时机的所述信令。
26.根据权利要求22所述的装置,其中配置所述监测时机的所述信令基于所述UE的模式或所述UE的类型来接收。
27.根据权利要求22所述的装置,其中配置所述多个机器学习模型组的所述消息包括配置所述监测时机的所述信令。
28.根据权利要求27所述的装置,其中所述至少一个处理器被进一步配置为响应于接收到配置用于具有多个不同监测模式的所述多个机器学习模型组的所述监测时机的所述信令而选择最密集监测模式。
29.根据权利要求22所述的装置,其中配置所述监测时机的所述信令指示与锚机器学习组相关联的锚监测模式的子集,所述子集对应于所述多个机器学习模型组中的一个机器学习模型组,所述至少一个处理器被进一步配置为:
响应于所述UE利用所述锚机器学习组进行操作,根据所述锚监测模式进行监测;以及
响应于所述UE切换到所述多个机器学习模型组中的所述一个机器学习模型组,根据所述子集进行监测。
30.根据权利要求29所述的装置,其中所述子集包括周期性和偏移。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/122519 WO2023056580A1 (en) | 2021-10-06 | 2021-10-06 | Monitoring of messages that indicate switching between machine learning (ml) model groups |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118077276A true CN118077276A (zh) | 2024-05-24 |
Family
ID=85803826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180102967.9A Pending CN118077276A (zh) | 2021-10-06 | 2021-10-06 | 对指示机器学习(ml)模型组之间的切换的消息的监测 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118077276A (zh) |
WO (1) | WO2023056580A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX364018B (es) * | 2014-01-30 | 2019-04-11 | Ericsson Telefon Ab L M | Conmutacion de conexion autonoma en una red de comunicacion inalambrica. |
MX2020007045A (es) * | 2018-01-05 | 2020-09-07 | Ntt Docomo Inc | Terminal de usuario y metodo de comunicacion por radio. |
KR20210147019A (ko) * | 2019-04-02 | 2021-12-06 | 지티이 코포레이션 | 제어 정보 처리 |
JP7394976B2 (ja) * | 2019-10-04 | 2023-12-08 | テレフオンアクチーボラゲット エルエム エリクソン(パブル) | 制御チャネル監視のために使用される検索空間セットの設定を切り替えること |
-
2021
- 2021-10-06 CN CN202180102967.9A patent/CN118077276A/zh active Pending
- 2021-10-06 WO PCT/CN2021/122519 patent/WO2023056580A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023056580A1 (en) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115136518B (zh) | 信道状态信息(csi)学习 | |
WO2021208061A1 (en) | Configurable neural network for channel state feedback (csf) learning | |
CN116325687A (zh) | 用于机器学习应用的用户装备(ue)能力报告 | |
EP4136910A1 (en) | Architecture for machine learning (ml) assisted communications networks | |
WO2021168011A1 (en) | Broadcasting known data to train artificial neural networks | |
US11777812B2 (en) | Zone-based federated learning | |
CN116137910A (zh) | 用于信道状态信息参考信号(csi-rs)的信令 | |
CN118077180A (zh) | 基于网络的人工智能(ai)模型配置 | |
CN116601997A (zh) | 用于联邦学习中的空中(ota)模型聚合的梯度数据集感知配置 | |
KR20230066330A (ko) | 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신 | |
WO2022073167A1 (en) | Signaling configuration for communicating parameters of a neural network configuration | |
WO2023056580A1 (en) | Monitoring of messages that indicate switching between machine learning (ml) model groups | |
US11950215B2 (en) | Artificial intelligence-based user equipment (UE) capability band combination prioritization | |
WO2023019380A1 (en) | Physical downlink control channel (pdcch) to indicate machine learning (ml) model group switching | |
US20240147267A1 (en) | Model status monitoring, reporting, and fallback in machine learning applications | |
EP4327251A1 (en) | Reporting for machine learning model updates | |
CN117157647A (zh) | 机器学习模型更新的报告 | |
KR20240071374A (ko) | 네트워크 기반 ai(artificial intelligence) 모델 구성 | |
WO2023009249A1 (en) | Signaling for additional training of neural networks for multiple channel conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |