CN118140237A - Fl模型更新报告中的ue聚类 - Google Patents

Abstract

本公开提供了用于基于UE聚类进行FL模型更新报告的系统、设备、装置和方法，包括编码在存储介质上的计算机程序。UE可从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。该UE可从该UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新，以及基于来自该一个或多个UE的该单独机器学习模型更新将该组合机器学习模型更新传输到该基站。

Description

FL模型更新报告中的UE聚类

背景技术

本公开整体涉及通信系统，并且更具体地涉及联邦学习(FL)报告技术。

无线通信系统被广泛部署以提供各种电信服务，例如电话、视频、数据、消息接发和广播。典型的无线通信系统可采用能够通过共享可用系统资源来支持与多个用户通信的多址技术。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)系统和时分同步码分多址(TD-SCDMA)系统。

已经在各种电信标准中采用了这些多址技术以提供公共协议，该协议使得不同的无线设备能够在城市、国家、地区、以及甚至全球层面上进行通信。电信标准的一个示例是5G新空口(NR)。5G NR是第三代合作伙伴计划(3GPP)颁布的持续移动宽带演进的一部分，以满足与时延、可靠性、安全性、可扩展性(例如，与物联网(IoT))和其他要求相关联的新要求。5G NR包括与增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低时延通信(URLLC)相关联的服务。5G NR的某些方面可能基于4G长期演进(LTE)标准。需要进一步改进5G NR技术。此外，这些提高也可适用于其他多址技术和采用这些技术的电信标准。

发明内容

下文呈现了一个或多个方面的简化概述，以便提供对这些方面的基本理解。该概述不是对所有预期方面的广泛概述，并且既不旨在标识所有方面的关键或重要元素，也不旨在描述任何或所有方面的范围。其唯一目的是以简化形式呈现一个或多个方面的一些概念，作为稍后呈现的更详细的描述的前序。

在本公开的一个方面，提供了一种用于在支持侧链路通信的无线设备处进行无线通信的装置，提供了用户装备(UE)。该装置包括存储器和耦合到该存储器的至少一个处理器，该存储器和至少一个处理器被配置为从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；从该UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新；以及基于来自该一个或多个UE的单独机器学习模型更新，将组合机器学习模型更新传输到基站。

在本公开的另一方面，提供了一种在UE处进行无线通信的方法。该方法包括从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；从该UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新；以及基于来自该一个或多个UE的单独机器学习模型更新，将组合机器学习模型更新传输到基站。

在本公开的另一方面，提供了一种用于在UE处进行无线通信的装置。该装置包括用于从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准的构件；用于从该UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新的构件；以及用于基于来自该一个或多个UE的单独机器学习模型更新将组合机器学习模型更新传输到基站的构件。

在本公开的另一方面，提供了一种用于在UE处进行无线通信的非暂态计算机可读存储介质。该非暂态计算机可读存储介质存储计算机可执行代码，该代码在由至少一个处理器执行时使该至少一个处理器从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；从该UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新；以及基于来自该一个或多个UE的单独机器学习模型更新，将组合机器学习模型更新传输到基站。

在本公开的一个方面，提供了一种用于在UE处进行无线通信的装置。该装置包括存储器和耦合到该存储器的至少一个处理器，该存储器和至少一个处理器被配置为从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；基于来自基站的一个或多个标准加入UE组；以及将单独机器学习模型更新从UE传输到UE组中的指定UE。

在本公开的另一方面，提供了一种在UE处进行无线通信的方法。该方法包括从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；基于来自基站的一个或多个标准加入UE组；以及将单独机器学习模型更新从UE传输到UE组中的指定UE。

在本公开的另一方面，提供了一种用于在UE处进行无线通信的装置。该装置包括用于从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准的构件；基于来自基站的一个或多个标准加入UE组；以及用于将单独机器学习模型更新从UE传输到UE组中的指定UE的构件。

在本公开的另一方面，提供了一种用于在UE处进行无线通信的非暂态计算机可读存储介质。该非暂态计算机可读存储介质存储计算机可执行代码，该代码在由至少一个处理器执行时使该至少一个处理器从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；基于来自基站的一个或多个标准加入UE组；以及将单独机器学习模型更新从UE传输到UE组中的指定UE。

在本公开的一个方面，提供了一种用于在基站处进行无线通信的装置。该装置包括存储器和耦合到该存储器的至少一个处理器，该存储器和至少一个处理器被配置为传输用于将多个用户装备(UE)分组成UE组以进行组合机器学习模型更新的一个或多个标准；以及从至少一个UE组接收组合机器学习模型更新。

在本公开的另一方面，提供了一种在基站处进行无线通信的方法。该方法包括传输用于将多个用户装备(UE)分组成UE组以进行组合机器学习模型更新的一个或多个标准；以及从至少一个UE组接收组合机器学习模型更新。

在本公开的另一方面，提供了一种用于在基站处进行无线通信的装置。该装置包括用于传输用于将多个用户装备(UE)分组成UE组以进行组合机器学习模型更新的一个或多个标准的构件；以及用于从至少一个UE组接收组合机器学习模型更新的构件。

在本公开的另一方面，提供了一种用于在基站处进行无线通信的非暂态计算机可读存储介质。该非暂态计算机可读存储介质存储计算机可执行代码，该代码在由至少一个处理器执行时使该至少一个处理器传输用于将多个用户装备(UE)分组成UE组以进行组合机器学习模型更新的一个或多个标准；以及从至少一个UE组接收组合机器学习模型更新。

为了实现前述和相关的目的，一个或多个方面包括以下全面描述的并在权利要求中特别指出的特征。以下描述和附图详细地阐述了一个或多个方面的一些例示性特征。然而，这些特征仅指示可以通过其采用各个方面的原理的各种方式中的一些方式，并且本说明书旨在包括所有此类方面以及其等同方案。

附图说明

图1是示出根据本公开的各个方面的无线通信系统和接入网络的示例的图示。

图2A是示出根据本公开的各个方面的第一帧的示例的图示。

图2B是示出根据本公开的各个方面的子帧内的下行链路(DL)信道的示例的图示。

图2C是示出根据本公开的各个方面的第二帧的示例的图示。

图2D是示出根据本公开的各个方面的子帧内的上行链路(UL)信道的示例的图示。

图3是示出接入网络中的基站和用户装备(UE)的示例的图示。

图4是示出根据本公开的各个方面的无线通信中的机器学习(ML)的各方面的图示。

图5是示出根据本公开的各个方面的无线网络处的联邦学习(FL)的示例方面的通信图。

图6示出了根据本公开的各个方面的基于全局FL模型广播的FL模型更新报告的图示。

图7示出了根据本公开的各个方面的用于广播全局FL模型并接收基于该全局FL模型的FL模型更新的图示。

图8是示出根据本公开的各个方面的其中多个UE可以针对经更新全局模型提供类似或相同的ML特征的示例的图示。

图9是根据本公开的各个方面的包括用于报告ML模型更新报告的UE组的通信流程。

图10是示出根据本公开的各个方面的用于ML模型更新报告的多个UE组的图示。

图11是根据本公开的各个方面的包括用于报告ML模型更新报告的UE组的通信流程。

图12是根据本公开的各个方面的包括用于报告ML模型更新报告的UE组的通信流程。

图13是根据本公开的各个方面的在UE处进行无线通信的方法的流程图。

图14是根据本公开的各个方面的在UE处进行无线通信的方法的流程图。

图15是根据本公开的各个方面的在UE处进行无线通信的方法的流程图。

图16是根据本公开的各个方面的在UE处进行无线通信的方法的流程图。

图17是根据本公开的各个方面的在基站处进行无线通信的方法的流程图。

图18是根据本公开的各个方面的在基站处进行无线通信的方法的流程图。

图19是示出根据本公开的各个方面的用于示例装置的硬件具体实施的示例的图示。

图20是示出根据本公开的各个方面的用于示例装置的硬件具体实施的示例的图示。

图21示出了可根据本公开的各个方面使用的侧链路时隙结构的示例方面。

具体实施方式

可以训练机器学习模型或神经网络，诸如基于监督学习的训练。在训练期间，可向机器学习模型呈现该模型用于计算以产生输出的输入。可将实际输出与目标输出进行比较，并且差值可被用于调整机器学习模型的参数(诸如权重和偏置)以提供更接近该目标输出的输出。在训练之前，输出可能是不正确的或不那么准确的，并且可以计算实际输出和目标输出之间的误差或差值。随后可调整机器学习模型的权重，以使得输出与目标更紧密地对准。

联邦学习(FL)可应用于在网络与分布式UE之间交换无线传输的无线通信系统中。网络可以向UE提供一个或多个机器学习模型。UE中的每个UE可基于其本地数据训练所接收的模型，并且可基于其本地数据向网络提供关于模型训练的报告。例如，UE可基于其训练来提供机器学习模型更新。机器学习模型管理器可使用从UE接收到的更新来更新全局机器模型，并且可传输经更新机器学习模型以供UE使用。例如，ML模型管理器可汇聚从UE接收到的经更新模型以更新机器学习模型。在一些方面，机器学习模型管理器可广播经更新机器学习模型。可存在许多UE具有要报告给网络的经更新模型信息，并且每个模型的大小可以相对较大，例如包含约1,000个至100万个参数或更多。可使用多个模型来适应UE处的不同任务和不同条件，并且UE可以向网络提供针对多个模型的更新。除了模型大小和/或模型数量之外，环境中变化的条件可能导致频繁的FL训练过程。具有机器学习更新信息的UE报告可以使用大量的上行链路资源，特别是对于上行链路资源受限的UL/DL非对称时隙格式而言。

在一些方面，本文给出的各方面使得UE能够以更高效的方式基于UE处的本地训练向网络提供机器学习模型更新信息。为了向网络提供机器学习模型更新，UE可以建立UE组。在一些方面，可基于标准建立UE组，该标准可由网络提供并且指示UE可具有类似机器学习模型更新信息来提供给网络。在一些示例中，这些UE中的一个UE可被指定为提供针对UE组的组合机器学习更新报告。在一些方面，组中的UE可例如通过侧链路向指定UE提供其机器学习模型更新，并且指定UE可执行对来自UE组中的UE的单独机器学习模型更新的分析以标识要报告给网络的有意义的特征。然后，指定UE可以向网络报告该有意义的特征。在一些方面，通过为UE组提供单个更新，可以降低用于无线通信系统中的联邦学习的上行链路资源成本。附加地或另选地，通过收集并比较来自组中的多个UE的机器学习模型更新，指定UE能够标识要报告给网络的有意义的特征，而单独UE可能不具有比较信息。在一些示例中，指定UE然后可以报告减少量的机器学习模型更新信息，其基于来自UE组的单独UE的更新信息的比较而被标识为有意义的。

下文结合附图阐述的详细描述旨在作为对各种配置的描述，而不旨在表示可以以其实践本文所描述的概念的仅有配置。为了提供对各种概念的透彻理解，详细描述包括具体细节。然而，对于本领域的技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践这些概念。在一些实例中，众所周知的结构和部件以框图形式显示，以避免模糊这些概念。

现在将参照各种装置和方法来呈现电信系统的几个方面。这些装置和方法将在下面的详细描述中描述，并在附图中通过各种框、部件、电路、过程、算法等(统称为“元素”)来例示。可以使用电子硬件、计算机软件或者它们的任何组合来实施这些元素。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。

举例而言，可以将元素、或元素的任何部分、或元素的任何组合实施为“处理系统”，其包括一个或多个处理器。处理器的示例包括微处理器、微控制器、图形处理单元(GPU)、中央处理单元(CPU)、应用处理器、数字信号处理器(DSP)、精简指令集计算(RISC)处理器、片上系统(SoC)、基带处理器、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门逻辑、分立硬件电路和被配置为执行贯穿本公开描述的各种功能性的其他合适硬件。处理系统中的一个或多个处理器可以执行软件。无论是被称为软件、固件、中间件、微代码、硬件描述语言或其他名称，软件都应当被广泛地理解为意指指令、指令集、代码、代码段、程序代码、程序、子程序、软件部件、应用、软件应用、软件包、例程、子例程、对象、可执行文件、执行的线程、过程、函数等。

因此，在一个或多个示例实施方案中，可以用硬件、软件或它们的任何组合来实施所描述的功能。如果用软件来实施，则功能可以作为一个或多个指令或代码来在计算机可读介质上进行存储或编码。计算机可读介质包括计算机存储介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限制，此类计算机可读介质可包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、光盘存储装置、磁盘存储装置、其他磁存储设备、这些类型的计算机可读介质的组合、或能够被用于存储可被计算机访问的指令或数据结构形式的计算机可执行代码的任何其他介质。

虽然在本申请中通过一些示例的例示来描述各方面和具体实施，但是本领域技术人员将理解的是，在许多不同的布置和场景中可能产生附加的具体实施和用例。本文中所描述的各方面可跨许多不同的平台类型、设备、系统、形状、大小以及封装布置来实施。例如，具体实施和/或用途可以经由集成芯片具体实施和其他基于非模块部件的设备(例如，终端用户设备、车辆、通信设备、计算设备、工业装备、零售/采购设备、医疗设备、支持人工智能(AI)的设备等)来产生。虽然一些示例可以是或可以不是专门针对各用例或应用的，但可出现所描述方面的广泛适用性。具体实施可以在从芯片级或模块化部件到非模块化、非芯片级具体实施，并且进一步到结合有所描述的各方面中的一个或多个方面的聚合式、分布式或原始装备制造商(OEM)设备或系统的范围内。在一些实际环境中，结合有所描述的各方面和特征的设备还可包括用于实施和实践所要求保护并描述的方面的附加部件和特征。例如，对无线信号的传输和接收必然包括用于模拟和数字目的的多个部件(例如，包括天线、RF链、功率放大器、调制器、缓冲器、处理器、交织器、加法器/求和器等的硬件部件)。本文中所描述的方面旨在可以在各种大小、形状和构成的各种各样的设备、芯片级部件、系统、分布式布置、聚合式或分解式部件、终端用户设备等中实践。

图1是例示无线通信系统和接入网络的示例的图示100。无线通信系统(亦称为无线广域网(WWAN))包括基站102、用户装备(UE)104、演进分组核心(EPC)160和另一核心网络190(例如，5G核心(5GC))。基站102可以包括宏小区(高功率蜂窝基站)和/或小型小区(低功率蜂窝基站)。宏小区包括基站。小型小区包括毫微微小区、微微小区和微小区。

被配置用于4G LTE(其被统称为演进型通用移动电信系统(UMTS)地面无线电接入网络(E-UTRAN))的基站102可以通过第一回程链路132(例如，S1接口)与EPC 160进行交互。被配置用于5G NR(其被统称为下一代RAN(NG-RAN))的基站102可以通过第二回程链路184与核心网络190进行交互。除了其他功能之外，基站102可以执行以下功能中的一项或多项：用户数据的传送、无线电信道加密和解密、完整性保护、报头压缩、移动性控制功能(例如，移交、双连接)、小区间干扰协调、连接建立和释放、负载平衡、非接入层(NAS)消息的分发、NAS节点选择、同步、无线电接入网络(RAN)共享、多媒体广播多播服务(MBMS)、订户和装备跟踪、RAN信息管理(RIM)、寻呼、定位、以及警告消息的传递。基站102可以通过第三回程链路134(例如，X2接口)彼此直接或间接通信(例如，通过EPC 160或核心网络190)。第一回程链路132、第二回程链路184(例如，Xn接口)和第三回程链路134可以是有线的或无线的。

在一些方面，基站102或180可以被称为RAN，并且可以包括聚合式部件或分解式部件。作为分解式RAN的示例，基站可包括中央单元(CU)106、一个或多个分布式单元(DU)105和/或一个或多个远程单元(RU)109，如图1所示。可利用RU 109和聚合式CU/DU之间的划分来分解RAN。可利用CU 106、DU 105和RU 109之间的划分来分解RAN。可利用CU 106和聚合式DU/RU之间的划分来分解RAN。CU 106和一个或多个DU 105可经由F1接口连接。DU 105和RU109可以经由前程接口连接。CU 106和DU 105之间的连接可称为中程，并且DU 105和RU 109之间的连接可称为前程。CU 106和核心网络之间的连接可称为回程。RAN可基于RAN的各种部件之间(例如，CU 106、DU 105或RU 109之间)的功能划分。CU可以被配置为执行无线通信协议的一个或多个方面(例如，处理协议栈的一个或多个层)，并且DU可以被配置为处理无线通信协议的其他方面(例如，协议栈的其他层)。在不同的具体实施中，由CU处理的层与由DU处理的层之间的划分可发生在协议栈的不同层处。作为一个非限制性示例，DU 105可提供逻辑节点以基于功能划分来托管无线电链路控制(RLC)层、介质访问控制(MAC)层以及物理(PHY)层的至少一部分。RU可以提供逻辑节点，该逻辑节点被配置为托管PHY层的至少一部分以及射频(RF)处理。CU 106可托管例如RLC层上方的较高层功能，诸如服务数据适配协议(SDAP)层、分组数据汇聚协议(PDCP)层。在其他具体实施中，由CU、DU或RU提供的层功能之间的划分可以不同。

接入网络可以包括一个或多个集成接入和回程(IAB)节点111，其与UE 104或其他IAB节点111交换无线通信以提供对核心网络的接入和回程。在多个IAB节点的IAB网络中，锚节点可以被称为IAB施主。IAB施主可以是提供对核心网络190或EPC 160的接入和/或对一个或多个IAB节点111的控制的基站102或180。IAB施主可包括CU 106和DU 105。IAB节点111可以包括DU 105和移动终端(MT)。IAB节点111的DU 105可以作为父节点操作，并且MT可以作为子节点操作。

基站102可以与UE 104进行无线通信。基站102中的每个基站可以为相应的地理覆盖区域110提供通信覆盖。可能存在重叠的地理覆盖区域110。例如，小型小区102'可以具有与一个或多个宏基站102的覆盖区域110重叠的覆盖区域110'。包括小型小区和宏小区两者的网络可被称为异构网络。异构网络还可以包括家庭演进型节点B(eNB)(HeNB)，其可以向被称为封闭用户组(CSG)的受限群组提供服务。基站102和UE 104之间的通信链路120可以包括从UE 104到基站102的上行链路(UL)(也称为反向链路)传输和/或从基站102到UE 104的下行链路(DL)(也称为前向链路)传输。通信链路120可以使用多输入多输出(MIMO)天线技术，包括空间复用、波束形成和/或传输分集。通信链路可以通过一个或多个载波。对于在每个方向上用于传输的总共至多达YxMHz(x个分量载波)的载波聚合中分配的每个载波，基站102/UE 104可使用至多达YMHz(例如，5MHz、10MHz、15MHz、20MHz、100MHz、400MHz等)带宽的频谱。载波可以与或可以不与彼此相邻。载波的分配可以是关于DL和UL非对称的(例如，与UL相比，可以为DL分配更多或者更少的载波)。分量载波可包括主分量载波和一个或多个辅分量载波。主分量载波可以被称为主小区(PCell)并且辅分量载波可以被称为辅小区(SCell)。

某些UE 104可使用设备到设备(D2D)通信链路158来彼此通信。D2D通信链路158可以使用DL/UL WWAN频谱。D2D通信链路158可以使用一个或多个侧链路信道，诸如，物理侧链路广播信道(PSBCH)、物理侧链路发现信道(PSDCH)、物理侧链路共享信道(PSSCH)以及物理侧链路控制信道(PSCCH)。D2D通信可以通过各种各样的无线D2D通信系统，诸如例如，WiMedia、蓝牙、ZigBee、基于电气与电子工程师协会(IEEE)802.11标准的Wi-Fi、LTE或者NR。

无线通信系统还可以包括Wi-Fi接入点(AP)150，其经由通信链路154与Wi-Fi站(STA)152通信，例如，在5GHz未许可频谱等中。当在未许可频谱中通信时，STA 152/AP 150可以在通信之前执行空闲信道评估(CCA)以确定信道是否可用。

小型小区102'可以在许可和/或未许可频谱中操作。当在未许可频谱中操作时，小型小区102'可以采用NR以及使用如由Wi-Fi AP 150所使用的相同未许可频谱(例如，5GHz等)。在未许可频谱中采用NR的小型小区102'可以提高接入网络的覆盖范围并且/或者增加接入网络的容量。

电磁频谱通常基于频率/波长而被细分为各种类别、频带、信道等。在5GNR中，两个初始操作频带已经被标识为频率范围名称FR1(410MHz-7.125GHz)和FR2(24.25GHz-52.6GHz)。尽管FR1的一部分大于6GHz，但在各种文档和文章中，FR1通常被称为(可互换地)“6GHz以下”频带。关于FR2，有时发生类似的命名问题，其在文档和文章中通常(可互换地)称为“毫米波”频带，尽管不同于被国际电信联盟(ITU)标识为“毫米波”频带的极高频(EHF)频带(30GHz-300GHz)。

FR1与FR2之间的频率通常被称为中频带频率。最近的5G NR研究已将用于这些中频带频率的操作频带标识为频率范围名称FR3(7.125GHz-24.25GHz)。落在FR3内的频带可以继承FR1特性和/或FR2特性，因此可以有效地将FR1和/或FR2的特征扩展到中频带频率。此外，当前正在探索更高频带以将5G NR操作扩展到52.6GHz之外。例如，三个更高的操作频带已被标识为频率范围名称FR2-2(52.6GHz-71GHz)、FR4(52.6GHz-114.25GHz)和FR5(114.25GHz-300GHz)。这些较高频带中的每一者都落在EHF频带内。

考虑到以上各方面，除非另有明确说明，否则应当理解，如果在本文中使用术语“6GHz以下”等，则其可以广义地表示可小于6GHz、可在FR1内、或可包括中频带频率的频率。此外，除非另有明确说明，否则应当理解，如果在本文中使用术语“毫米波”等，则其可以广义地表示可以包括中频带频率、可以在FR2、FR4、FR2-2和/或FR5内、或者可以在EHF频带内的频率。

基站102(无论是小型小区102'还是大型小区(例如，宏基站))可以包括和/或被称为eNB、gNodeB(gNB)或另一类型的基站。一些基站(诸如，gNB 180)可以在传统6GHz以下频谱中、在毫米波频率和/或近毫米波频率中操作，以与UE 104进行通信。当gNB 180在毫米波或近毫米波频率中操作时，gNB 180可被称为毫米波基站。毫米波基站180可以利用与UE104的波束形成182来补偿路径损耗和短距离。基站180和UE 104可以各自包括多个天线(诸如，天线元件、天线面板和/或天线阵列)以促进波束形成。

基站180可以在一个或多个传输方向182'上向UE 104传输波束形成的信号。UE104可以在一个或多个接收方向182”上接收来自基站180的波束形成的信号。UE 104还可以在一个或多个传输方向上向基站180传输波束形成的信号。基站180可以在一个或多个接收方向上接收来自UE 104的波束形成的信号。基站180/UE 104可以执行波束训练以确定基站180/UE 104中的每一者的最佳接收方向和传输方向。基站180的传输方向和接收方向可以相同，也可以不相同。UE 104的传输方向和接收方向可以相同，也可以不相同。

EPC 160可以包括移动性管理实体(MME)162、其他MME 164、服务网关166、多媒体广播多播服务(MBMS)网关168、广播多播服务中心(BM-SC)170和分组数据网络(PDN)网关172。MME 162可以与归属订户服务器(HSS)174进行通信。MME 162是处理UE 104和EPC 160之间的信令的控制节点。通常，MME 162提供承载和连接管理。所有用户互联网协议(IP)分组都通过服务网关166传送，该服务网关本身连接到PDN网关172。PDN网关172提供UE IP地址分配以及其他功能。PDN网关172和BM-SC 170连接到IP服务176。IP服务176可包括互联网、内联网、IP多媒体子系统(IMS)、PS流服务和/或其他IP服务。BM-SC 170可以提供用于MBMS用户服务提供和传递的功能。BM-SC 170可以作为内容提供商MBMS传输的进入点，可以用于在公共陆地移动网络(PLMN)中授权并发起MBMS承载服务，并且可以用于调度MBMS传输。MBMS网关168可用于将MBMS流量分配给属于广播特定服务的多播广播单频网络(MBSFN)区域的基站102，并且可负责会话管理(开始/停止)以及负责收集eMBMS相关的计费信息。

核心网络190可以包括接入和移动性管理功能(AMF)192、其他AMF 193、会话管理功能(SMF)194和用户平面功能(UPF)195。AMF 192可以与统一数据管理(UDM)196通信。AMF192是用于处理在UE 104和核心网络190之间的信令的控制节点。一般而言，AMF 192提供QoS流和会话管理。所有用户互联网协议(IP)分组都通过UPF 195传送。UPF 195提供UE IP地址分配以及其他功能。UPF 195连接到IP服务197。IP服务197可以包括互联网、内联网、IP多媒体子系统(IMS)、分组交换(PS)流(PSS)服务和/或其他IP服务。

基站可以包括和/或被称为gNB、节点B、eNB、接入点、基站收发器、无线电基站、无线电收发器、收发器功能、基本服务集(BSS)、扩展服务集(ESS)、发送接收点(TRP)或一些其他合适的术语。基站102针对UE 104提供到EPC 160或核心网络190的接入点。UE 104的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型计算机、个人数字助理(PDA)、卫星收音机、全球定位系统、多媒体设备、视频设备、数字音频播放器(例如，MP3播放器)、相机、游戏机、平板设备、智能设备、可穿戴设备、车辆、电表、气泵、大型或小型厨房电器、医疗保健设备、植入物、传感器/致动器、显示器或者任何其他相似功能的设备。UE 104中的一些UE可以被称为IoT设备(例如，停车计时器、气泵、烤面包机、车辆、心脏监测仪等等)。UE 104还可以被称为站、移动站、订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手机、用户代理、移动客户端、客户端或者某种其他合适的术语。在一些场景中，术语UE还可以应用于一个或多个配套设备，诸如在设备星座布置中。这些设备中的一个或多个设备可以共同地接入网络和/或单独地接入网络。

再次参见图1，在某些方面，UE 104可包括被配置为从基站102或180接收用于对UE进行分组或聚类以进行组合机器学习模型更新的标准的指定UE部件198。指定UE部件198可被进一步配置为从一个或多个UE接收单独机器学习模型更新，以及基于来自该一个或多个UE的单独机器学习模型更新将组合机器学习模型更新传输到基站或其他网络部件。UE 104中的一个或多个UE可包括分组UE部件199，该分组UE部件被配置为从基站接收用于对UE进行分组以进行组合机器学习模型更新的标准；以及基于来自基站的标准，将单独机器学习模型更新从UE传输到UE组中的指定UE。在某些方面，基站180可包括分组FL部件113，该分组FL部件被配置为传输用于对UE进行分组以进行组合机器学习模型更新的标准，以及从至少一个UE组接收组合机器学习模型更新。虽然以下描述可能聚焦于5G NR，但是本文描述的概念可能可适用于其他类似的领域，诸如LTE、LTE-A、CDMA、GSM和其他无线技术。

图2A是例示在5G NR帧结构内的第一子帧的示例的图示200。图2B是例示在5G NR子帧内的DL信道的示例的图示230。图2C是例示在5G NR帧结构内的第二子帧的示例的图示250。图2D是例示在5G NR子帧内的UL信道的示例的图示280。5G NR帧结构可以是频分双工(FDD)的(其中，针对特定的子载波集合(载波系统带宽)，该子载波集合内的子帧专用于DL或者UL)，或者可以是时分双工(TDD)的(其中，针对特定的子载波集合(载波系统带宽)，该子载波集合内的子帧专用于DL和UL两者)。在图2A、图2C所提供的示例中，5G NR帧结构被假设为TDD，其中子帧4被配置有时隙格式28(其中大多数为DL)，其中D是DL，U是UL，并且F是可在DL/UL之间灵活使用的，并且子帧3被配置有时隙格式1(其中所有均为UL)。虽然分别用时隙格式1、28示出了子帧3、4，但是任何特定的子帧可被配置有各种可用时隙格式0-61中的任一种。时隙格式0、1分别为所有均为DL、所有均为UL。其他时隙格式2-61包括DL、UL和灵活码元的混合。通过接收到的时隙格式指示符(SFI)来将UE配置有时隙格式(通过DL控制信息(DCI)动态地配置或者通过无线电资源控制(RRC)信令半静态地/静态地配置)。注意，以下描述也适用于为TDD的5GNR帧结构。

图2A至图2D例示了帧结构，并且本公开的各方面可适用于可以具有不同的帧结构和/或不同的信道的其他无线通信技术。一个帧(10ms)可以被分成10个同样大小的子帧(1ms)。每个子帧可以包括一个或多个时隙。子帧还可以包括微时隙，该微时隙可以包括7个、4个或2个码元。每个时隙可以包括14个或12个码元，这取决于循环前缀(CP)是正常的还是扩展的。对于正常的CP，每个时隙可以包括14个码元，并且对于扩展的CP，每个时隙可以包括12个码元。DL上的码元可以是CP正交频分复用(OFDM)(CP-OFDM)码元。UL上的码元可以是CP-OFDM码元(针对高吞吐量场景)或离散傅里叶变换(DFT)扩展OFDM(DFT-s-OFDM)码元(也被称为单载波频分多址(SC-FDMA)码元)(针对功率受限的场景；限于单流传输)。子帧内的时隙的数量基于CP和参数集。参数集定义了子载波间隔(SCS)，并且有效地定义了码元长度/历时，其等于1/SCS。

对于正常的CP(14个码元/时隙)，不同的参数集μ0至4分别允许每子帧有1个、2个、4个、8个和16个时隙。对于扩展的CP，参数集2允许每子帧有4个时隙。相应地，对于正常的CP和参数集μ，存在14个码元/时隙和2^μ个时隙/子帧。子载波间隔可等于2^μ*15kHz，其中μ是参数集0至4。因此，参数集μ＝0的子载波间隔为15kHz，并且参数集μ＝4的子载波间隔为240kHz。码元长度/历时与子载波间隔逆相关。图2A至图2D提供了每时隙有14个码元的正常的CP和每子帧有4个时隙的参数集μ＝2的示例。时隙历时为0.25ms，子载波间隔为60kHz，并且码元历时为大约16.67μs。在帧集合内，可能存在频分复用的一个或多个不同的带宽部分(BWP)(参见图2B)。每个BWP可以具有特定的参数集和CP(正常的或扩展的)。

资源网格可被用于表示帧结构。每个时隙包括延伸12个连续子载波的资源块(RB)(也称为物理RB(PRB))。资源网格被划分为多个资源元素(RE)。每个RE携带的比特数取决于调制方案。

如图2A中所示，RE中的一些RE携带用于UE的参考(导频)信号(RS)。RS可以包括解调RS(DM-RS)(对于一种特定配置指示为R，但是其他DM-RS配置是可能的)以及用于UE处的信道估计的信道状态信息参考信号(CSI-RS)。RS还可以包括波束测量RS(BRS)、波束细化RS(BRRS)和相位跟踪RS(PT-RS)。

图2B例示了帧的子帧内的各种DL信道的示例。物理下行链路控制信道(PDCCH)在一个或多个控制信道元素(CCE)(例如，1个、2个、4个、8个或16个CCE)内携带DCI，每个CCE包括六个RE组(REG)，每个REG包括在RB的OFDM码元中的12个连续RE。一个BWP内的PDCCH可以被称为控制资源集(CORESET)。UE被配置为在CORESET上的PDCCH监测时机期间监测PDCCH搜索空间(例如，公共搜索空间、UE特定搜索空间)中的PDCCH候选，其中PDCCH候选具有不同的DCI格式和不同的聚合等级。附加的BWP可以位于信道带宽上的更高和/或更低的频率处。主同步信号(PSS)可在帧的特定子帧的码元2内。PSS被UE 104用来确定子帧/码元定时和物理层标识。辅同步信号(SSS)可在帧的特定子帧的码元4内。SSS被UE用来确定物理层小区标识组号和无线电帧定时。基于物理层标识和物理层小区标识组号，UE可以确定物理小区标识符(PCI)。基于该PCI，UE可以确定DM-RS的位置。携带主信息块(MIB)的物理广播信道(PBCH)可以与PSS和SSS逻辑分组，以形成同步信号(SS)/PBCH块(也称为SS块(SSB))。MIB提供系统带宽中的RB的数量和系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、未通过PBCH传输的广播系统信息(诸如系统信息块(SIB))和寻呼消息。

如图2C所例示，RE中的一些RE携带DM-RS(对于一种特定配置指示为R，但其他DM-RS配置是可能的)以用于基站处的信道估计。UE可以传输物理上行链路控制信道(PUCCH)的DM-RS和物理上行链路共享信道(PUSCH)的DM-RS。PUSCH DM-RS可以在PUSCH的前一个或前两个码元中传输。根据是传输短PUCCH还是长PUCCH并且根据所使用的特定PUCCH格式，可以以不同的配置来传输PUCCH DM-RS。UE可传输探测参考信号(SRS)。SRS可在子帧的最后一个码元中被传输。SRS可以具有梳结构，并且UE可以在梳中的一个梳上传输SRS。SRS可由基站用于信道质量估计以实现对UL的频率相关调度。

图2D例示了帧的子帧内的各种UL信道的示例。PUCCH可位于如在一种配置中指示的位置。PUCCH携带上行链路控制信息(UCI)，诸如，调度请求、信道质量指示符(CQI)、预译码矩阵指示符(PMI)、秩指示符(RI)和混合自动重传请求(HARQ)确认(ACK)(HARQ-ACK)反馈(即，指示一个或多个ACK和/或否定ACK(NACK)的一个或多个HARQ ACK比特)。PUSCH携带数据，并且可以附加地用于携带缓冲区状态报告(BSR)、功率余量报告(PHR)和/或UCI。

图3是接入网络中的基站310与UE 350进行通信的框图。在DL中，来自EPC 160的IP分组可以提供给控制器/处理器375。控制器/处理器375实施层3和层2功能性。层3包括无线电资源控制(RRC)层，并且层2包括服务数据适配协议(SDAP)层、分组数据汇聚协议(PDCP)层、无线电链路控制(RLC)层和介质访问控制(MAC)层。控制器/处理器375提供与系统信息(例如，MIB、SIB)的广播、RRC连接控制(例如，RRC连接寻呼、RRC连接建立、RRC连接修改和RRC连接释放)、无线电接入技术(RAT)间移动性以及用于UE测量报告的测量配置相关联的RRC层功能性；与报头压缩/解压缩、安全性(加密、解密、完整性保护、完整性验证)和移交支持功能相关联的PDCP层功能性；与上层分组数据单元(PDU)的传送、通过ARQ的纠错、RLC服务数据单元(SDU)的级联、分段和重组、RLC数据PDU的重新分段和RLC数据PDU的重新排序相关联的RLC层功能性；以及与逻辑信道和传输信道之间的映射、MAC SDU到传输块(TB)上的复用、MAC SDU从TB的解复用、调度信息报告、通过HARQ的纠错、优先级处理和逻辑信道优先级排序相关联的MAC层功能性。

发射(TX)处理器316和接收(RX)处理器370实施与各种信号处理功能相关联的层1功能性。层1(其包括物理(PHY)层)可以包括传输信道上的错误检测、传输信道的前向纠错(FEC)译码/解码，交织、速率匹配、到物理信道上的映射、物理信道的调制/解调、以及MIMO天线处理。TX处理器316基于各种调制方案(例如，二元移相键控(BPSK)、正交移相键控(QPSK)、M阶移相键控(M-PSK)、M阶正交幅度调制(M-QAM))来处理到信号星座的映射。然后可以将译码和调制的码元分成并行流。随后，可以将每个流映射到OFDM子载波，在时域和/或频域中将其与参考信号(例如，导频)进行复用，并随后使用快速傅里叶逆变换(IFFT)将各个流组合在一起，以便产生携带时域OFDM码元流的物理信道。OFDM流经过空间预译码以产生多个空间流。来自信道估计器374的信道估计可用于确定译码和调制方案，以及用于空间处理。可根据由UE 350传输的参考信号和/或信道状态反馈推导信道估计。可以随后经由单独的发射器318TX将每个空间流提供给不同的天线320。每个发射器318TX可以利用相应的空间流来对射频(RF)载波进行调制以用于传输。

在UE 350处，每个接收器354RX通过其相应的天线352接收信号。每个接收器354RX恢复被调制到RF载波上的信息，以及将该信息提供给接收(RX)处理器356。TX处理器368和RX处理器356实施与各种信号处理功能相关联的层1功能性。RX处理器356可以对信息执行空间处理，以恢复以UE 350为目的地的任何空间流。如果多个空间流以UE 350为目的地，则可以由RX处理器356将它们组合成单个OFDM码元流。RX处理器356然后使用快速傅里叶变换(FFT)将OFDM码元流从时域转换到频域。频域信号包括针对该OFDM信号的每个子载波的单独的OFDM码元流。通过确定最有可能由基站310传输的信号星座点来恢复并解调每个子载波上的码元以及参考信号。这些软判决可以基于由信道估计器358计算的信道估计。随后，对软判决进行解码和解交织来恢复最初由基站310在物理信道上传输的数据和控制信号。然后将数据和控制信号提供给控制器/处理器359，其实施层3和层2功能性。

控制器/处理器359可与存储程序代码和数据的存储器360相关联。存储器360可称为计算机可读介质。在UL中，控制器/处理器359提供传输信道和逻辑信道之间的解复用、分组重组、解密、报头解压缩和控制信号处理以恢复来自EPC 160的IP分组。控制器/处理器359还负责使用ACK和/或NACK协议的错误检测以支持HARQ操作。

类似于结合由基站310进行的DL传输描述的功能性，控制器/处理器359提供与系统信息(例如，MIB、SIB)获取、RRC连接和测量报告相关联的RRC层功能性；与报头压缩/解压缩和安全性(加密、解密、完整性保护、完整性验证)相关联的PDCP层功能性；与上层PDU的传送，通过ARQ的纠错，RLC SDU的级联、分段和重组、RLC数据PDU的重新分段和RLC数据PDU的重新排序相关联的RLC层功能性；以及与逻辑信道和传输信道之间的映射、MAC SDU到TB上的复用、MAC SDU从TB的解复用、调度信息报告、通过HARQ的纠错、优先级处理和逻辑信道优先级排序相关联的MAC层功能性。

TX处理器368可以使用信道估计器358从基站310传输的参考信号或反馈中导出的信道估计，以选择适当的译码和调制方案并且有助于实现空间处理。可以经由相应的发射器354TX将TX处理器368所生成的空间流提供给不同的天线352。每个发射器354TX可以用相应的空间流来调制RF载波以用于传输。

在基站310处以与结合UE 350处的接收器功能所描述的方式相类似的方式来处理UL传输。每个接收器318RX通过其相应的天线320来接收信号。每个接收器318RX恢复被调制到RF载波上的信息，并将该信息提供给RX处理器370。

控制器/处理器375可与存储程序代码和数据的存储器376相关联。存储器376可称为计算机可读介质。在UL中，控制器/处理器375提供传输信道和逻辑信道之间的解复用、分组重组、解密、报头解压缩、控制信号处理以恢复来自UE 350的IP分组。来自控制器/处理器375的IP分组可提供给EPC 160。控制器/处理器375还负责使用ACK和/或NACK协议的错误检测以支持HARQ操作。

TX处理器368、RX处理器356和控制器/处理器359中的至少一者可被配置为执行与图1的指定UE部件198和/或分组UE部件199结合的各方面。

TX处理器316、RX处理器370和控制器/处理器375中的至少一者可被配置为执行与图1的分组FL部件113结合的各方面。

无线通信系统可以被配置为共享可用的系统资源，以及基于支持与多个用户的通信的多址技术(诸如CDMA系统、TDMA系统、FDMA系统、OFDMA系统、SC-FDMA系统和TD-SCDMA系统等)来提供各种电信服务(例如，电话、视频、数据、消息传递、广播等)。在许多情形中，促进与无线设备通信的公共协议在各种电信标准中被采用。例如，与eMBB、mMTC和超可靠低时延通信(URLLC)相关联的通信方法可被纳入5G NR电信标准中，而其他方面可被纳入4G LTE标准中。由于移动宽带技术是持续演进的一部分，因此移动宽带中的进一步改进对于继续发展此类技术仍然有用。

图4示出了包括被配置用于确定与第二设备404的通信的神经网络406的第一无线通信设备402的图示400。在一些方面，神经网络406可被包括在UE中。第一无线通信设备402可以是UE，并且第二设备404可对应于第二UE、基站或其他网络部件，诸如核心网络部件。在一些方面，神经网络406可被包括在网络部件中。第一无线通信设备402可以是一个网络部件，并且第二设备404可以是第二网络部件。UE和/或基站(例如，包括(CU)和/或分布式单元(DU))可将机器学习算法、深度学习算法、神经网络、强化学习、回归、提升或高级信号处理方法用于例如与基站、TRP、另一UE等的无线通信的各方面。CU可提供协议栈的较高层，诸如SDAP、PDCP、RRC等，而DU可提供协议栈的较低层，诸如RLC、MAC、PHY等。单个CU可控制多个DU，并且每个DU可与一个或多个小区相关联。

强化学习是一种类型的机器学习，其涉及在环境中采取动作以便最大化奖励的概念。强化学习是机器学习范例；其他范例包括监督学习和无监督学习。基本强化可被建模为具有一组环境和代理状态以及代理的一组动作的马尔可夫决策过程(MDP)。该过程可包括基于动作的状态转变的概率和转变之后的奖励的表示。代理的动作选择可被建模为策略。强化学习可使得代理能够学习使奖励最大化的最优或近乎最优的策略。监督学习可包括学习基于示例输入-输出对将输入映射到输出的函数，其可根据训练数据集(其可被称为训练示例)来推断。监督学习算法分析训练数据并提供算法以映射到新的示例。使用边缘设备作为客户端的联邦学习(FL)过程可依赖于基于监督学习进行训练的客户端。

回归分析可包括用于估计因变量(例如，其可被称为结果变量)和自变量之间的关系的统计过程。线性回归是回归分析的一个示例。也可使用非线性模型。回归分析可包括推断数据集中的变量之间的因果关系。

提升包括用于降低监督学习中偏置和/或方差的一个或多个算法，诸如将弱学习器(例如，与真实分类弱相关的分类器)转变成强学习器(例如，与真实分类更密切相关的分类器)的机器学习算法。提升可包括相对于被添加到强分类器的分布基于弱分类器的迭代学习。弱学习器可与准确性相关地进行加权。可通过该过程来重新调整数据权重。在本文中所描述的一些方面，编码设备(例如，UE、基站、或其他网络部件)可训练一个或多个神经网络以学习所测量的质量对各个参数的依赖性。

在一些示例中，第二设备404可以是基站。在一些示例中，第二设备404可以是TRP。在一些示例中，第二设备404可以是网络部件，诸如DU。在一些示例中，第二设备404可以是另一UE，例如，如果第一无线设备402和第二设备404之间的通信基于侧链路。尽管针对UE的示例描述了机器学习和神经网络的一些示例方面，但是这些方面可类似地由基站、IAB节点或另一训练主机应用。

除了别的以外，可被包括在第一无线设备402中的机器学习模型或神经网络的示例包括：人工神经网络(ANN)；决策树学习；卷积神经网络(CNN)；深度学习架构，其中第一层神经元的输出变成第二层神经元的输入，等等；支持向量机(SVM)，例如，其包括对数据进行分类的分离超平面(例如，决策边界)；回归分析；贝叶斯网络；遗传算法；深度卷积网络(DCN)，其被配置有附加池化和归一化层；和深度置信网络(DBN)。

机器学习模型(诸如人工神经网络(ANN))可包括一组互连的人工神经元(例如，神经元模型)，并且可以是计算设备或者可以表示要由计算设备执行的方法。神经元模型的连接可被建模为权重。机器学习模型可通过经由数据集进行训练来提供预测模型、自适应控制以及其他应用。该模型可基于由机器学习模型处理的外部或内部信息进行自适应。机器学习可提供非线性统计数据模型或决策制定，并且可对输入数据和输出信息之间的复杂关系进行建模。

机器学习模型可包括多个层和/或操作，它们可以通过级联一个或多个所引述的操作来形成。可涉及的操作的示例包括：数据的各种特征的提取、卷积运算、可被激活或去激活的全连接操作、压缩、解压缩、量化、平坦化等。如本文所用，机器学习模型的“层”可用于表示对输入数据的操作。例如，卷积层、全连接层等可以用于指对输入到层中的数据的相关联操作。卷积AxB运算是指将多个输入特征A转换为多个输出特征B的运算。“内核大小”可指在维度中组合的邻近系数的数量。如本文所用，“权重”可以用于表示在各层中用于组合输入数据的各个行和/或列的操作中使用的一个或多个系数。例如，全连接层操作可以具有输出y，该输出y至少部分地基于输入矩阵x和权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)之和来确定。术语“权重”在本文中通常可被用于指代权重和偏置值两者。权重和偏置是经训练机器学习模型的参数的示例。机器学习模型的不同层可被单独训练。

机器学习模型可包括各种连通性模式，例如，包括前馈网络、阶层、递归架构、反馈连接等中的任一者。神经网络的层之间的连接可以是全连接的或局部连接的。在全连接神经网络中，第一层中的神经元可将其输出传达给第二层中的每个神经元，并且第二层中的每个神经元可从第一层中的每个神经元接收输入。在局部连接网络中，第一层中的神经元可连接到第二层中有限数量的神经元。在一些方面，卷积网络可以是局部连接的，并且配置有与第二层中的每个神经元的输入相关联的共享连接强度。网络的局部连接层可被配置为使得层中的每个神经元具有相同或相似的连通性模式，但具有不同的连接强度。

机器学习模型或神经网络可被训练。例如，机器学习模型可基于监督学习来训练。在训练期间，可向机器学习模型呈现该模型用于计算以产生输出的输入。可将实际输出与目标输出进行比较，并且差值可被用于调整机器学习模型的参数(诸如权重和偏置)以提供更接近该目标输出的输出。在训练之前，输出可能是不正确的或不那么准确的，并且可以计算实际输出和目标输出之间的误差或差值。随后可调整机器学习模型的权重，以使得输出与目标更紧密地对准。为了调整权重，学习算法可以计算权重的梯度向量。梯度可指示在权重被略微调整的情况下误差将增加或减少的量。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计算的误差梯度。权重随后可被调整以减小误差或将输出移至更接近目标。这种调整权重的方式可被称为通过神经网络的反向传播。该过程可继续，直到可达成的误差率停止减小，或者直到误差率已达到目标水平。

这些机器学习模型可包括计算复杂性和用于训练机器学习模型的大量处理器。图4示出了示例神经网络406可包括互连节点的网络。一个节点的输出被连接作为到另一节点的输入。节点之间的连接可被称为边，并且可将权重应用于连接/边以调整来自一个节点的输出，该输出用作到另一节点的输入。节点可应用阈值以便确定是否或何时向连接节点提供输出。每个节点的输出可被计算为到节点的输入的总和的非线性函数。神经网络406可包括任何数量的节点以及各节点之间任何类型的连接。神经网络406可包括一个或多个隐藏节点。节点可被聚合到层中，并且神经网络的不同层可对输入执行不同种类的变换。信号可从第一层处的输入行进通过神经网络的多个层到神经网络的最后一个层处的输出，并且可多次遍历某个层。例如，第一无线设备402可将信息410输入到神经网络406(例如，经由任务/条件管理器418)，并且可接收输出412(例如，经由控制器/处理器420)。第一无线设备402可基于输出412向第二设备404报告信息414。在一些方面，第二设备可基于信息414向第一无线设备402传输通信。在一些方面，第二设备404可以是例如在416处基于信息414调度或配置UE(例如，第一无线设备402)的基站。在其他方面，基站可从多个训练主机(例如，从多个UE)收集信息。类似地，网络可从包括多个基站、多个IAB节点和/或多个UE以及其他示例的多个训练主机收集信息。

图5示出了用于FL学习的网络部件与一个或多个UE之间的示例通信流程500。FL可应用于无线通信中，并且可涉及服务器(例如，网络中的节点和/或基站)与分布式UE之间的数据传输。UE可包括结合图1描述的任一示例。网络节点可包括FL学习管理器，其也可被称为ML模型管理器506或其他名称。结合图5示出的FL学习可包括通过共享模型信息而无需数据共享(例如，UE处的本地数据)进行的隐私保护。如在510、512和514处所示，ML模型管理器506在一个或多个经调度UE(例如，UE 502、504和/或508)之间共享全局模型。尽管被示出为模型的三个单独传输，但在510、512和514处，这些传输中的一者或多者可以是向多个UE的组合传输。每个UE基于其本地数据训练所接收的模型，例如在516、518和520处。每个UE基于其自己的本地数据独立地执行模型训练。在训练之后，一个或多个UE可基于在UE处执行的训练传输关于经更新模型的信息。例如，在522、524和/或526处，UE可以向ML模型管理器506报告经更新模式。在528处，ML模型管理器可基于从UE 502、504、508中的一者或多者接收到的模型更新来更新全局模型。例如，ML模型管理器可以汇聚经更新模型(例如，如在522、524、526处接收到的)。在528处，ML模型管理器可应用平均算法以便更新全局模型。在更新全局模型之后，在530、532、534处，ML模型管理器506将经更新全局模型传输到UE。尽管这些传输被示出为单独的传输，但在一些方面，ML模型管理器可在由UE 502、504和508接收到的组合传输中广播经更新全局模型。

经调度UE中的每一者可以向服务器报告经更新模型信息。模型的大小可以相对较大，例如1,000个至100万个参数或更多。可使用多个模型来适应不同的任务和不同的条件，这些任务和条件可以被更新并报告给基站。除了模型大小和/或模型数量之外，环境中变化的条件可能导致频繁的FL训练过程。在下行链路中，FL训练轮次可与较低资源成本相关联，因为网络可针对特定FL训练轮次广播全局FL模型一次。然而，因为在上行链路中可存在许多不同的分布式用户，所以每个UE可以单独地报告更新。因此，经由Uu链路的上行链路资源成本可能很大，特别是对于UL资源受限的UL/DL非对称时隙格式而言。

基站可以同时向多个UE广播全局FL模型。在UE接收到全局模型之后，每个UE可基于本地数据集训练模型。所训练的模型的上行链路报告可以基于模型大小、要报告的FL模型的数量、FL训练事件的频率和/或所配置的时隙中的可用上行链路资源。在执行FL模型训练之后，每个UE可以向基站报告模型更新。在一些情况下，每个UE的上行链路模型报告可能导致上行链路Uu资源中的瓶颈。

图6示出了基于全局FL模型广播的FL模型更新报告的图示600。图6示出了其中基站606可在由多个UE(例如，UE 602和604)接收的单个传输中广播全局模型/全局模型更新(例如，如结合图5所述)并且这些UE例如在单独的上行链路传输中单独地向基站606传输模型更新的示例。图6还示出了可以为下行链路传输分配比上行链路传输更多的时间和/或频率资源620。

图7示出了用于广播全局FL模型并接收基于该全局FL模型的FL模型更新的图示700。由于要在模型更新的报告中传输的信息的大小，模型报告可能与高开销相关联，特别是在具有密集调度的UE的环境中。周期性时间模式可被设定为扫描被调度为报告经更新模型的每个经调度UE。例如，如果针对FL过程调度了100个UE，则UE可以以10个为一组来触发。图7示出了示出UE的子集被调度为以周期性时间模式报告模型更新的示例时间图。在从100个UE中的每个UE接收模型更新的例如具有10个持续时间的模型报告循环之后，网络可在一个FL循环中汇聚到经更新全局模型。虽然UE中的每个UE被调度为提供模型更新，并且循环提供将从每个UE考虑的模型更新，但时延可能较大以便为UE中的每个UE提供在更新全局模型之前报告其模型更新的机会。在具有快速变化场景的环境或应用中，最新经更新模型可能不能跟踪环境变化。

本文给出的方面提供了全局模型更新中的减少的时延，同时维持来自UE的有价值的模型更新。可执行UE聚类以减少FL模型报告成本。也就是说，可以将多个类似的UE一起分组成UE集群，使得集群的指定UE(例如，集群组长)可以向基站报告FL模型更新和信息，而不是集群中的每个UE单独地报告FL模型更新。UE可被配置为执行其自己的本地训练的分布式节点，并且基站可以是控制并配置FL模型的模型管理器。这种技术可用于增加数据隐私/安全性，因为UE仅与基站共享FL模型更新，而不共享UE的本地训练数据集。

可向网络报告本地训练信息，其中集群中的每个UE基于其自己的本地信息学习FL模型更新，这可以使得FL模型能够适应不同的条件。在FL模型训练过程的第一步骤中，服务器可以向多个UE传输/共享全局FL模型。接下来，每个UE可基于每个UE的本地数据集独立地训练模型。每个UE可经由上行链路向服务器传输/报告经更新FL模型。服务器可以应用平均技术来更新全局模型，该技术可用于汇聚更新的FL模型。最后，服务器可以向与服务器通信的所有UE广播经更新全局模型。因此，所有UE可基于本地信息/数据集来接收经更新模型。FL模型更新可提供增加的数据隐私，因为UE不向服务器发送本地数据，而仅发送FL模型更新。

在FL中，从本地模型更新获得的有效新特征可提供增益以改善模型(例如，全局模型)的总体性能。在一些方面，多个UE报告可包括类似特征，其可被认为对于对全局模型的模型更新是重复的(或较低效的)。例如，在图5中，UE 502和UE 504向ML模型管理器506提供类似特征，并且522和524处的多个传输可以对全局模型更新具有与522或524的单个传输类似的效果。

图8是示出其中多个UE可以为经更新全局模型提供类似或相同ML特征的示例的图示800。例如，车辆UE(例如，与车辆相关联、被包括在车辆中、与车辆附接或与车辆可移除地连接的UE)可位于道路上并且可经历类似的道路状况。图8示出了其中车辆810、812和814可具有相关联的UE(无论是结合到车辆中、与车辆共址/与车辆一起行进、还是与车辆可移除地耦合)的示例。车辆UE可基于其本地数据提供类似的模型更新。作为一个非限制性示例，公共汽车乘客可以使用UE。UE可彼此靠近(例如，在公共汽车802内)，并且可经历类似或相同的状况。由于公共汽车上的UE处的本地数据可能是类似的，因此由公共汽车802上的UE报告的经更新模型可能是类似的。

又如，静态UE 804或UE 806(例如，其可以是至少临时静态的)可经历更恒定的(例如，不变的)状况。由静态UE 804传输的先前模型更新可包括更新的ML模型特征。如果静态UE 804以周期性方式报告模型更新，则静态UE可以用类似或相同的模型更新信息进行重复传输。所添加的传输对于ML模型管理器可以是重复的，并且可以不进一步影响全局模型更新。

网络和ML模型管理器可以不分析在各种上行链路模型更新报告中报告的特征的冗余，直到网络接收到各种经更新模型。重复的且不太有用的模型更新可能占用FL中的Uu上行链路资源，并且会延迟可能等待附加Uu上行链路资源的更有用的模型更新。

图9示出了示例通信流程图900，其示出对UE进行聚类或分组以在继续向网络提供有价值的模型更新的同时，基于本地训练数据提供改善的时延并减少FL模型更新的冗余和信令开销。图9示出了在916处UE 902和UE 904可形成或加入UE组。虽然图9仅示出两个UE，但该组可包括任意数量的多个UE。用于ML模型更新目的的UE的聚类或分组可在将模型更新报告给网络之前减少冗余或不太有价值的模型更新或特征。基于特定标准对UE进行分组可有助于确保仍以减少量的上行链路信令向网络提供有价值的模型更新。用于ML模型更新报告的UE的聚类或分组有助于通过减少来自单独UE的ML模型更新的上行链路传输量来节省上行链路资源。可基于可导致类似模型更新特征的标准对UE进行聚类或分组。作为第一方面，UE可被调度用于在FL中提供模型更新。在将UE分组或聚类成组之后，UE集群/组中的一个或多个UE可以确定将哪个模型更新报告给网络。

对于FL中的ML模型更新，UE 902和/或904可以应用规则或标准以确定是否形成UE组，或者是否加入UE组。在一些方面，网络可以定义或配置用于FL的UE的本地聚类规则。图9示出了诸如基站906的网络节点将UE分组标准在910a处传输到UE 904并且在910b处传输到UE 902。在一些方面，标准和关于FL的其他信令可来自ML模型管理器(诸如图5中的506)，并且可经由基站906传输到UE。在一些方面，网络可以向一个或多个UE指示加入或形成集群/UE组。例如，网络可以指示UE 902加入具有UE 904的UE组，或者可以指示UE 902和904两者形成UE组。

在一些方面，网络可以指示用于UE 902加入组和/或用于UE 902和904形成组的一个或多个参数或标准。例如，网络可以指示经调度UE(例如，被调度为提供针对FL的模型更新的UE)与另一UE(诸如UE组中的指定UE)之间的范围或距离。如果经调度UE到指定UE的范围在该范围或距离内，则经调度UE可以加入与指定UE相关联的UE组。如果经调度UE在指定UE的范围之外，或者与指定UE的距离大于范围阈值，则经调度UE可以继续发送单独的ML更新报告，而不加入UE组。在图9中，例如，在916处，UE 902可基于处于指定UE 904的阈值范围或距离内而加入具有指定UE 904的UE组。

在一些方面，网络可以指示用于加入/形成UE组的参数/标准是与UE组中其他的经调度UE共享的场景ID。例如，在图9中，在916处，UE 902可基于被配置为针对与UE 904相同的场景(例如，与场景ID相关联)为FL提供模型更新而加入具有指定UE 904的UE组。如果UE未被配置为提供针对相同场景的FL模型更新，则UE可以继续针对其相应场景提供单独的模型更新报告，而无需聚类/形成UE组。在一些方面，UE可具有标识可应用场景的至少一部分的能力。例如，基于ML，UE可标识当前位置是室内位置并且对应于室内场景还是对应于室外场景的室外位置。基于所估计的信道，UE可标识信道类型、多普勒特征、延迟扩展以及用于FL场景的其他示例参数。UE可以确定针对UE的当前情况的对应场景ID，并且可以与具有相同场景ID的一个或多个其他UE进行聚类。

在一些方面，网络可以指示用于加入/形成UE组的参数/标准处于与UE组中其他的经调度UE相同的小区中。例如，在图9中，在916处，UE 902可基于与UE 904处于相同的小区(例如，具有相同的小区ID)中而加入具有指定UE 904的UE组。如果UE处于不同的小区中，则UE可以继续针对其相应场景提供单独的模型更新报告，而无需聚类/形成UE组。

在一些方面，网络可以指示用于加入/形成UE组的参数/标准包括参数、因素或标准的组合，诸如范围、共享场景、处于同一小区内和/或从基站接收指示的任何组合。在一些方面，在小区ID与FL中的一个或多个有效特征之间可存在关系。在一些方面，小区ID可与物理位置组合或者可对应于物理位置。例如，小区ID可与隧道或建筑物的特定楼层相关联。小区内的UE(例如，具有相同的小区ID)可以在模型更新报告中保持或提供针对FL的类似特征。对此类UE进行聚类或分组可以减少具有相同或类似特征的模型更新报告的冗余信令。

图10示出了示出可基于各种类型的标准形成的UE组或集群的图示1000。可基于范围形成或加入第一UE组或集群1025，例如，其中经调度UE中的每一者在彼此和/或指定UE的范围内。图10中的示例集群1025示出了在车辆1002诸如公共汽车上一起行进的UE组。在一些方面，集群1025中的UE组还可基于同一车辆中的共享行进而共享场景ID和/或小区ID。在第二UE组(例如，集群1050)中，UE可基于与集群1050中的其他UE共享相同的小区ID而形成集群1050和/或加入集群1050。基于UE的能力而形成或加入图10中的第三示例集群1075。例如，一个或多个较低能力UE可加入具有作为指定UE的较高能力UE的集群1075。

UE 902可响应于确定已满足一个或多个参数/标准而被触发以进行聚类、加入集群/UE组、或者形成集群/UE组。一旦UE加入集群/UE组，该集群可以确定并报告UE组中的每个UE的模型更新。如果UE未被触发以形成/加入集群或UE组，则UE可以继续报告单独的模型更新。例如，图9示出了UE 902和/或UE 904可在916处加入/形成UE组之前在908b和908a处传输未分组的(例如，单独的)模型更新。

尽管已经描述了UE从网络接收聚类/分组标准的各方面，但在一些方面，参数/标准中的一者或多者可为UE已知的或定义的而不是从网络接收的。

在一些方面，UE可遵循一个或多个规则或标准来确定如何形成集群或UE组。例如，在916处，UE 902和904可基于一个或多个侧链路消息的交换而形成UE组，而与网络的信令可以基于接入链路或Uu链路。又如，UE 902可通过交换一个或多个侧链路消息而加入具有UE 904的UE组。图11和图12示出了为了加入或形成UE组以进行模型更新报告的信令的示例方面。

图21示出了示例时隙结构，图21包括示出可用于侧链路通信(例如，在UE 104、RSU107等之间)的时隙结构的示例方面的图示2100和2110。在一些示例中，时隙结构可以在5G/NR帧结构内。在其他示例中，时隙结构可以在LTE帧结构内。虽然以下描述可能聚焦于5GNR，但是本文描述的概念可能可适用于其他类似的领域，诸如LTE、LTE-A、CDMA、GSM和其他无线技术。图21中的示例时隙结构仅是一个示例，并且其他侧链路通信可具有用于侧链路通信的不同帧结构和/或不同信道。一个帧(10ms)可以被分成10个同样大小的子帧(1ms)。每个子帧可以包括一个或多个时隙。子帧还可以包括微时隙，该微时隙可以包括7个、4个或2个码元。每个时隙可以包含7个或14个码元，这取决于时隙配置。对于时隙配置0，每个时隙可以包括14个码元，并且对于时隙配置1，每个时隙可以包括7个码元。图示2100示出了单时隙传输的单个资源块，例如其可以对应于0.5ms传输时间区间(TTI)。物理侧链路控制信道可以被配置为占用多个物理资源块(PRB)，例如，10个、12个、15个、20个或25个PRB。PSCCH可以被限制为单个子信道。例如，PSCCH历时可以被配置为2个码元或3个码元。例如，子信道可包括10个、15个、20个、25个、50个、75个或100个PRB。用于侧链路传输的资源可从包括一个或多个子信道的资源池中选择。作为非限制性示例，资源池可以包括介于1个至27个之间的子信道。可以针对资源池建立PSCCH大小，例如，在2个码元或3个码元的历时内在一个子信道的10％-100％之间。图21中的图示2110示出了其中PSCCH占用子信道的约50％的示例，作为一个示例来示出PSCCH占用子信道的一部分的概念。物理侧链路共享信道(PSSCH)占用至少一个子信道。在一些示例中，PSCCH可以包括侧链路控制信息(SCI)的第一部分，并且PSSCH可以包括SCI的第二部分。

资源网格可被用于表示帧结构。每个时隙可以包括扩展12个连续子载波的资源块(RB)(也称为物理RB(PRB))。资源网格被划分为多个资源元素(RE)。每个RE携带的比特数取决于调制方案。如图21所示，一些RE可包括PSCCH中的控制信息，并且一些RE可包括解调RS(DMRS)。至少一个码元可被用于反馈。图21示出了具有用于物理侧链路反馈信道(PSFCH)的两个码元(具有相邻间隙码元)的示例。在反馈之前和/或之后的码元可以用于对数据的接收与对反馈的传输之间的转变。该间隙使设备能够从作为传输设备操作切换到准备作为接收设备操作，例如，在随后的时隙中。如图所示，可以在剩余的RE中传输数据。该数据可以包括本文所述的数据消息。数据、DMRS、SCI、反馈、间隙码元和/或LBT码元中的任一者的位置可以不同于图21所示的示例。在一些方面，多个时隙可被聚合在一起。

在一些方面，UE 902可至少部分地基于指定UE的存在而加入UE组。例如，网络可以向UE 902发信号通知对多个UE组中的一个或多个指定UE(例如，包括指定UE 904)的指示912b。在一些方面，网络可以向UE 902发信号通知集群的列表和/或集群中的指定UE的列表。网络可以指示对应的指定UE(或具有中央UE的集群)以便经调度UE加入。在一些方面，网络可以向指定UE 904发信号，或者可以将UE 904配置为作为UE组中的指定UE进行操作。在一些方面，指定UE可被称为“中心UE”。术语“中心UE”在本文中用于指定从组中的其他UE接收模型更新并且向网络提供针对该UE组的组合报告的UE。指定UE还可被称为其他术语，诸如主导UE、头部UE、主UE等。虽然指定UE可能处于UE组的稍微中心的位置，但术语“中心UE”不一定指示UE处于UE组的物理中心，而是指示中心UE在UE组中起中心作用。

在一些方面，网络可以向经调度UE指示多个指定UE，并且该UE可以接入或尝试加入具有最接近的指定UE或最接近的集群的UE组。例如，912b处的指示可以向UE 902指示多个指定UE，并且指定UE 904可以是在912b处指示的多个指定UE中最接近的指定UE。在一些方面，UE 902可基于来自多个指定UE的侧链路通信的最高RSSI来确定最接近的指定UE。在一些方面，UE 902可基于来自多个指定UE的Uu通信的最高交叉链路干扰(CLI)来确定最接近的指定UE。

在一些方面，网络可以向经调度UE指示多个指定UE，并且该UE可以接入或尝试加入具有与经调度UE具有相同场景索引的指定UE的UE组。例如，912b处的指示可以向UE 902指示多个指定UE，并且指定UE 904(或对应的集群)可以与UE 902共享场景ID。

在一些方面，网络可以向经调度UE指示多个指定UE，并且该UE可以接入或尝试加入具有与经调度UE具有相同小区ID的指定UE的UE组。例如，912b处的指示可以向UE 902指示多个指定UE，并且指定UE 904(或对应的集群)可以与UE 902共享小区ID。

在一些方面，UE可基于上述示例的任何组合来尝试加入具有指定UE的组。例如，UE可以尝试加入具有相同小区ID、相同场景和/或在距离上最接近经调度UE的UE组。

在一些方面，网络可以在针对UE的FL配置中向UE指示指定UE和/或集群。基于侧链路通信，UE可以确定要接入的指定UE和/或集群。在一些方面，UE可基于侧链路通信来自主确定指定UE和/或集群。例如，如果较高能力UE(其可被称为常规UE)和较低能力UE(例如，其可被称为低层UE)被调度用于FL，则较低能力UE可以加入具有最接近的常规UE和/或具有相同场景ID或在相同小区ID中的常规UE的UE组。在一些方面，较低能力UE可基于一个或多个标准动态地加入具有常规UE的组或集群。在一些方面，UE 902可以是较低能力UE，并且指定UE 904可以是较高能力UE。较高能力UE可以作为集群/UE组中的指定UE进行操作，或者可以在UE组中起中心作用，包括通过FL协助较低能力UE。为了形成或加入UE组，UE和指定UE可以在侧链路通信的范围内，并且都可以支持侧链路通信。示例集群1075示出了集群1075中的一个或多个较低能力UE 1001，其中较高能力UE 1003作为指定UE。

UE 902和UE 904可以交换一个或多个侧链路消息，以便UE 902加入UE组和/或形成UE组。图11示出了示出聚类信令过程的示例方面的示例通信流程图1100。UE 1104可对应于UE 902，并且UE 1106可对应于UE 904。在一些方面，在1110处，网络部件诸如FL管理器节点(其可对应于图5中的ML模型管理器506)可配置指定UE 1106或以其他方式指示UE 1106作为UE组中的指定UE 1106进行操作。在一些方面，网络可配置或以其他方式传输/指示一个或多个分组规则、参数和/或标准。在一些方面，网络可以向UE 1104传输分组标准1112。在其他方面，传输可以是针对多个UE的。规则或标准1112可包括结合图9描述的任一方面(例如，910a或910b)。

如在1114处所示，指定UE 1106可以传输(例如，广播)侧链路消息。在一些方面，广播消息可包括关于UE组的信息并且/或者可以指示UE 1106是UE组中的指定UE。在1114处，UE 1104可以与指定UE 1106建立侧链路连接。在建立侧链路连接之后，UE 1104(由于用于提供上行链路ML模块更新报告的FL配置，其可被称为经调度UE)可以确定是否加入/形成UE组并且/或者可以标识要与其加入/形成UE组的指定UE。该确定可以基于由网络例如在1112处配置的规则。在1116处，UE 1104向指定UE 1106发送侧链路消息以加入UE组和/或形成用于FL模型更新报告的集群。

在图8的示例中，可基于各种标准形成多个UE组/集群。在一些方面，网络(例如，基站850)可以配置指定UE 806、820和812。指定UE 806、820和812可以向附近的UE(例如，被配置用于FL的附近的经调度UE)广播、多播或单播侧链路消息，并且可以与周围的经调度UE建立侧链路连接。指定UE 820可以是作为公共汽车乘客的用户的UE，或者可以是与公共汽车802相关联或可移除地耦合到公共汽车802的UE。指定UE 820可基于RSSI测量来标识UE 820的范围(例如，α)内的一个或多个UE，和/或与UE 820共享场景(例如，移动性)的一个或多个UE。指定UE 820可通过侧链路信令建立UE组，其中公共汽车内的UE满足用于UE分组的标准。

尽管公共汽车乘客的UE和车辆UE 810、812和814可以用相同的场景ID(例如，高移动性)来标识，但车辆UE可以在指定UE 820的范围α之外。因此，车辆UE可以不加入具有指定UE 820的UE组。另选地，车辆UE 810、812和814可以在UE 810、812和814中形成UE组，其中UE812作为指定UE。尽管UE 806可配置有分组规则，但如果一个或多个UE与聚类条件或用于形成UE组的规则/标准不匹配，则UE 806可以不形成UE组/集群，而是可以继续提供单独的模型更新报告(例如，未分组的模型更新报告)。

可以在RRC信令中提供从网络到指定UE或经调度UE的消息(例如，910a、910b、912a、912b、914、1110和/或1112)。作为用于指定UE的FL消息的示例，RRC信令可包括指示UE是否将作为指定UE进行操作的一个或多个比特。RRC信令可包括指示UE是否为经调度UE的一个或多个比特。RRC信令可包括指示UE组的ML模型更新报告的有效特征的最大数量的一个或多个比特。最大数量的示例可包括0、1、2、5...。例如，在914处，网络可以在用于从UE组收集ML模型更新的配置中向指定UE 904提供此类信息。

经调度UE(例如，被配置为基于本地数据提供ML模型更新的UE)的示例FL消息可包括指示UE是否将被分组/聚类的一个或多个比特。FL消息可包括指示要由UE应用的至少一个分组规则或分组标准的一个或多个比特。FL消息可包括指示RSSI阈值或用于确定与指定UE/集群的范围的其他阈值的一个或多个比特。在一些方面，RSSI可对应于15m、20m、30m等。

在形成UE组/集群之后，在916处，UE 902在侧链路消息中向指定UE 904传输单独ML模型更新。指定UE 904可从多个UE接收ML模型更新(例如，如919处所示)，并且可在920处合并来自单独ML模型更新的信息。然后，在922处，指定UE 1104报告组合ML模型更新。网络可使用来自一个或多个UE组和/或单独UE的ML模型更新来更新ML模型。然后，在924a、924b和924c处，网络传输ML模型更新。尽管用多条线示出，但ML模型更新924a、924b、924c可以是由指定UE 904以及经调度UE 902和901接收的ML模型更新的广播。

图12示出了示出指定UE组合或合并来自UE组中的UE的单独ML模型更新(例如，其可在图9中的920处应用)的示例方面的通信流程图1200。图12示出了指定UE 1206可以广播关于UE组的信息并且/或者可以与UE 1204(如1210处所示)和UE 1202(如1212处所示)建立侧链路连接。在1214处，UE 1202和1204可以评估UE分组规则/标准。该分组规则/标准可包括结合图9描述的任一方面。UE 1204可以确定满足分组规则/标准，并且可传输和/或接收侧链路消息以在1216处加入具有指定UE 1206的UE组。UE 1202可以确定不满足分组规则/标准，并且可以不加入具有指定UE 1206的UE组。在1218处，UE 1204可通过侧链路向指定UE1206传输模型更新报告，而不是通过Uu链路向网络(例如，基站1208)进行传输，如UE 1202在1224处所报告的。

在1220处，指定UE 1206可以分析、合并和/或组合来自UE组中的多个UE(例如，UE1201和1204)以及其他潜在UE的ML更新1218和1219。例如，指定UE 1206可以分析来自UE组中的UE的模型更新之间的差异。指定UE 1206可以提取有价值的模型更新，例如，不是冗余的并且对全局ML模型的模型更新有影响的模型更新。指定UE 1206可执行估计以获得从UE组中的UE报告的各个模型更新之间的差异。在一些方面，该估计可被称为模型合并，并且可被执行以便提取要向网络报告的一个或多个特征(例如，一个或多个有价值的特征)。

指定UE可以应用用于模型合并的各种方法。例如，如果5个经调度UE向指定UE1206报告FL模型更新(M)，例如M₁、M₂、M₃、M₄、M₅，则指定UE可以确定模型更新的平均值(M)。

在该示例中，可被标识为有价值的特征，并且指定UE 1206可将/>报告回网络，而非多个模型更新。

附加地或另选地，指定UE 1206可以执行相关分析，例如模型更新之间的余弦相似性。例如，模型更新M₁、M₂、M₃、M₄可以保持较大相似性或至少类似的阈值，例如余弦相似性>0.99。在其他示例中，类似的阈值可低于0.99。在该示例中，满足相似性标准的任一模型更新(例如，M₁)可表示每个模型更新的有价值的信息。因此，指定UE 1206可以报告模型更新中的一个模型更新M₁、M₂、M₃、M₄。

相比之下，模型更新M₅可具有与其他模型更新不同的分布，例如余弦相似性<0.5。因此，M₅的特征可以不同于M₁、M₂、M₃、M₄的特征，并且指定UE可以报告M₅。

在该示例中，M₁和M₅可以提供所报告的模型的有价值的特征，并且指定UE可以将M₁和M₅报告回网络，例如不报告M₂、M₃、M₄。

图12示出了在1222处，指定UE 1206例如基于1220处的组合分析来提供集群模型更新。指定UE 1206可以向FL服务器报告所提取的有价值的模型更新信息，或者可以指示其模型更新对于网络可能更有价值的UE。

图13是无线通信的方法的流程图1300。该方法可以由UE(例如，UE 104、350、902、1106、1206；设备402；装置1902等)来执行，该UE可包括存储器360并且可以是整个UE(例如，UE 350)或UE 350的部件，诸如TX处理器368、RX处理器356和/或控制器/处理器359。

在1302处，UE可从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。例如，参见图9，UE 904可在910a处从基站906接收UE分组标准。在1302处的接收可由图19中的装置1902的接收部件1930来执行。

在1304处，UE可从UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新。例如，参见图9，UE 904可在918处从UE 902接收单独ML模型更新。在1304处的接收可由图19中的装置1902的接收部件1930来执行。

在1306处，UE可基于来自一个或多个UE的单独机器学习模型更新，将组合机器学习模型更新传输到基站。例如，参见图9，UE 904可基于由UE 904在920处执行的ML模型更新合并，在922处将组合ML模型更新传输到基站906。在1306处的传输可由图19中的装置1902的传输部件1934来执行。

图14是无线通信的方法的流程图1400。该方法可以由UE(例如，UE 104、350、902、1106、1206；设备402；装置1902等)来执行，该UE可包括存储器360并且可以是整个UE(例如，UE 350)或UE 350的部件，诸如TX处理器368、RX处理器356和/或控制器/处理器359。

在1402处，UE可从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。例如，参见图9，UE 904可在910a处从基站906接收UE分组标准。在1402处的接收可由图19中的装置1902的接收部件1930来执行。该一个或多个标准可以标识UE组中的至少一个UE。该一个或多个标准可以指示与UE的距离、场景标识符(ID)或小区ID中的一者或多者。

在1404处，UE可接收用于通过侧链路收集UE组中的多个UE的单独机器学习模型更新并将组合机器学习模型更新传输到基站的配置。例如，参见图9，UE 904可在914处接收用于从UE组收集ML模型更新的配置，使得组合ML模型更新可在922处传输到基站906。在1404处的接收可由图19中的装置1902的接收部件1930来执行。

在1406处，UE可基于该配置和分组标准，通过侧链路与一个或多个UE形成UE组。例如，参见图9，UE 904可基于在910a处从基站906接收到的UE分组标准，在916处与UE 902形成UE组。在1406处的形成可由图19中的装置1902的形成部件1940来执行。

在1408处，UE可从UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新。例如，参见图9，UE 904可在918处从UE 902接收单独ML模型更新。在1408处的接收可由图19中的装置1902的接收部件1930来执行。

在1410处，UE可执行来自一个或多个UE的单独机器学习模型更新的模型合并以提取要在组合机器学习模型更新中报告的一个或多个特征。例如，参见图9，UE 904可基于在918处接收到的单独ML模型更新，在920处执行ML模型更新合并。在922处传输到基站906的组合ML模型更新可以基于在920处执行的ML模型更新合并。在1410处的执行可以由图19中的装置1902的执行部件1942来执行。

在1412处，UE可基于来自一个或多个UE的单独机器学习模型更新，将组合机器学习模型更新传输到基站。例如，参见图9，UE 904可基于在918处从UE 902接收到的单独ML模型更新，在922处将组合ML模型更新传输到基站906。在1412处的传输可由图19中的装置1902的传输部件1934来执行。组合机器学习模型更新可以基于单独机器学习模型更新之间的平均值。该平均值可基于共享滤波器来融合单独模型更新。组合机器学习模型更新可以基于单独机器学习模型更新之间的相似性分析。

在1414处，UE可在将组合机器学习模型更新传输到基站之后从基站接收机器学习模型的经更新模型。例如，参见图9，UE 904可于在922处将组合ML模型更新传输到基站906之后，在924a处从基站906接收经更新ML模型。在1414处的接收可由图19中的装置1902的接收部件1930来执行。

图15是无线通信的方法的流程图1500。该方法可以由UE(例如，UE 104、350、902、1104、1204；设备402；装置1902等)来执行，该UE可包括存储器360并且可以是整个UE(例如，UE 350)或UE 350的部件，诸如TX处理器368、RX处理器356和/或控制器/处理器359。

在1502处，UE可从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。例如，参见图9，UE 902可在910b处从基站906接收UE分组标准。在1502处的接收可由图19中的装置1902的接收部件1930来执行。

在1503处，UE可基于来自基站的一个或多个标准加入UE组。

在1504处，UE可将单独机器学习模型更新从UE传输到UE组中的指定UE。例如，参见图9，UE 902可基于在910b处从基站906接收到的UE分组标准，在918处将单独ML模型更新传输到指定UE 904。在1504处的传输可由图19中的装置1902的传输部件1934来执行。

图16是无线通信的方法的流程图1600。该方法可以由UE(例如，UE 104、350、902、1104、1204；设备402；装置1902等)来执行，该UE可包括存储器360并且可以是整个UE(例如，UE 350)或UE 350的部件，诸如TX处理器368、RX处理器356和/或控制器/处理器359。

在1602处，UE可从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。例如，参见图9，UE 902可在910b处从基站906接收UE分组标准。在1502处的接收可由图19中的装置1902的接收部件1930来执行。该一个或多个标准可以标识UE组中的至少一个UE。该一个或多个标准可以指示与UE的距离、场景标识符(ID)或小区ID中的一者或多者。

在1604处，UE可接收对UE组中的指定UE的指示。例如，参见图9，UE 902可在912b处从基站906接收对指定UE 904的指示。在1604处的接收可由图19中的装置1902的接收部件1930来执行。该指示可来自基站。该指示可来自指定UE。

在1606处，UE可接收对多个指定UE的指示。例如，参见图9，UE 902可在912b处从基站906接收对多个指定UE(诸如指定UE 904)的指示。在1606处的接收可由图19中的装置1902的接收部件1930来执行。

在1608处，UE可加入具有多个指定UE中满足一个或多个分组标准的最接近的指定UE的UE组。例如，参见图9，UE 902可在916处加入包括指定UE 904的UE组。在1608处的加入可由图19中的装置1902的分组部件1946来执行。

在1610处，UE可基于来自基站的一个或多个标准加入UE组。例如，UE可基于指示并且该UE满足标准，通过侧链路加入具有指定UE的UE组。例如，参见图9，UE 902可基于在910b处从基站906接收到的UE分组标准，在916处加入包括指定UE 904的UE组。在1610处的加入可由图19中的装置1902的分组部件1946来执行。

在1612处，UE可将单独机器学习模型更新从UE传输到UE组中的指定UE。例如，参见图9，UE 902可基于在910b处从基站906接收到的UE分组标准，在918处将单独ML模型更新传输到指定UE 904。在1612处的传输可由图19中的装置1902的传输部件1934来执行。

在1614处，UE可在将单独机器学习模型更新传输到指定UE之后从基站接收经更新模型。例如，参见图9，UE 902可于在918处将单独ML模型更新传输到指定UE 904之后，在924b处从基站906接收经更新ML模型。在1614处的接收可由图19中的装置1902的接收部件1930来执行。

图17是无线通信的方法的流程图1700。该方法可由基站(例如，基站102、310、906、1102、1208；设备404；装置2002等)来执行，该基站可包括存储器376并且可以是整个基站(例如，310)或基站310的部件，诸如TX处理器316、RX处理器370和/或控制器/处理器375。

在1702处，基站可传输用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。例如，参见图9，基站906可在910a-910b处向UE 902和指定UE 904传输UE分组标准。在1702处的传输可由图20中的装置2002的传输部件2034来执行。

在1704处，基站可从至少一个UE组接收组合机器学习模型更新。例如，参见图9，基站906可在922处从指定UE 904接收组合ML模型更新。在1704处的接收可由图20中的装置2002的接收部件2030来执行。

图18是无线通信的方法的流程图1800。该方法可由基站(例如，基站102、310、906、1102、1208；设备404；装置2002等)来执行，该基站可包括存储器376并且可以是整个基站(例如，310)或基站310的部件，诸如TX处理器316、RX处理器370和/或控制器/处理器375。

在1802处，基站可从至少一个UE接收未分组的机器学习模型更新。例如，参见图9，基站906可在908a-908b处从UE 902和指定UE 904接收未分组的ML模型更新。在1802处的接收可由图20中的装置2002的接收部件2030来执行。

在1804处，基站可传输用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准。例如，参见图9，基站906可在910a-910b处向UE 902和指定UE 904传输UE分组标准。在1804处的传输可由图20中的装置2002的传输部件2034来执行。该一个或多个标准可标识至少一个UE以形成UE组。该一个或多个标准可以指示关于指定UE的范围。该一个或多个标准可以指示场景标识符(ID)。该一个或多个标准可以指示小区标识符(ID)。该一个或多个标准可以指示指定UE的范围、场景标识符(ID)或小区ID中的一者或多者。

在1806处，基站可传输基于该一个或多个标准形成的UE组中的指定UE，从该指定UE接收组合机器学习模型更新。例如，参见图9，基站906可基于在910a-910b处向UE 902和指定UE 904传输的UE分组标准，在912a-912b处传输对指定UE 904的指示。在1806处的传输可由图20中的装置2002的传输部件2034来执行。

在1808处，基站可将指定UE配置为通过侧链路从UE组中的多个UE接收机器学习模型更新并将组合机器学习模型更新传输到基站。例如，参见图9，基站906可在914处将指定UE 904配置为从UE组收集ML模型更新，使得指定UE 904可在922处将组合ML模型更新传输到基站906。在1808处的配置可由图20中的装置2002的配置部件2040来执行。

在1810处，基站可从至少一个UE组接收组合机器学习模型更新。例如，参见图9，基站906可在922处从指定UE 904接收组合ML模型更新。在1810处的接收可由图20中的装置2002的接收部件2030来执行。

在1812处，基站可在从至少一个UE组接收到组合机器学习模型更新之后传输经更新模型。例如，参见图9，基站906可于在922处从指定UE 904接收到组合ML模型更新之后，在924a-924b处向UE 902和指定UE 904传输经更新ML模型。在1812处的传输可由图20中的装置2002的传输部件2034来执行。

图19是示出用于装置1902的硬件具体实施的示例的图示1900。装置1902可以是UE、UE的部件，或者可实现UE功能性。在一些方面，装置1902可包括耦合到RF收发器1922的基带处理器1904(也被称为调制解调器)。在一些方面，基带处理器1904可以是蜂窝基带处理器，并且RF收发器1922可以是蜂窝RF收发器。在一些方面，装置1902还可包括一个或多个订户身份模块(SIM)卡1920、耦合到安全数字(SD)卡1908和屏幕1910的应用处理器1906、蓝牙模块1912、无线局域网(WLAN)模块1914、全球定位系统(GPS)模块1916或功率源1918。基带处理器1904通过RF收发器1922与UE 104和/或BS102/180通信。基带处理器1904可包括计算机可读介质/存储器。该计算机可读介质/存储器可以是非暂态的。基带处理器1904负责一般处理，包括执行存储在计算机可读介质/存储器上的软件。软件在由基带处理器1904执行时使基带处理器1904执行上文所述的各种功能。计算机可读介质/存储器还可用于存储由基带处理器1904在执行软件时操纵的数据。基带处理器1904还包括接收部件1930、通信管理器1932和传输部件1934。通信管理器1932包括一个或多个所例示的部件。通信管理器1932内的部件可存储在计算机可读介质/存储器中并且/或者被配置为基带处理器1904内的硬件。基带处理器1904可以是UE 350的部件，并且可包括存储器360和/或TX处理器368、RX处理器356和控制器/处理器359中的至少一者。在一种配置中，装置1902可以是调制解调器芯片，并且仅包括基带处理器1904，并且在另一种配置中，装置1902可以是整个UE(例如，参见图3的350)，并且包括装置1902的附加模块。

接收部件1930被配置为(例如，如结合1302、1304、1402、1404、1408、1414、1502、1602、1604、1606和1614所描述的)从基站接收用于对UE进行分组以进行组合机器学习模型更新的标准；接收用于通过侧链路从UE组收集机器学习模型更新并将组合机器学习模型更新传输到基站的配置；从一个或多个UE接收单独机器学习模型更新；在将组合机器学习模型更新传输到基站之后，从基站接收经更新模型；从基站接收用于对UE进行分组以进行组合机器学习模型更新的标准；接收对UE组中的指定UE的指示；接收对多个指定UE的指示；以及在将单独机器学习模型更新传输到指定UE之后，从基站接收经更新模型。

通信管理器1932包括形成部件1940，该形成部件被配置为(例如，如结合1406所描述的)基于配置和分组标准通过侧链路与一个或多个UE形成组。通信管理器1932还包括执行部件1942，该执行部件被配置为(例如，如结合1410所描述的)执行来自一个或多个UE的单独机器学习模型更新的模型合并以提取机器学习模型更新的一个或多个特征，组合机器学习模型更新包括从单独机器学习模型更新提取的该一个或多个特征。通信管理器1932还包括分组部件1946，该分组部件被配置为(例如，如结合1608和1610所描述的)加入具有多个指定UE中满足分组标准的最接近的指定UE的UE组；基于指示并且UE满足标准，通过侧链路加入具有指定UE的组。

传输部件1934被配置为(例如，如结合1306、1412、1504和1612所描述的)基于来自一个或多个UE的单独机器学习模型更新，将组合机器学习模型更新传输到基站；以及基于来自基站的标准，将单独机器学习模型更新从UE传输到UE组中的指定UE。

装置可包括执行图13至图16的流程图中的算法的框中的每个框的附加部件。因此，图13至图16的流程图中的每个框可由部件执行，并且装置可包括这些部件中的一个或多个部件。这些部件可以是一个或多个硬件部件，该一个或多个硬件部件具体被配置为执行所述过程/算法，由被配置为执行所述过程/算法的处理器实施，存储在计算机可读介质中以便由处理器实施，或者上述内容的一些组合。

如图所示，装置1902可包括被配置用于各种功能的多种部件。在一种配置中，装置1902并且具体地基带处理器1904包括用于从基站接收用于对UE进行分组以进行组合机器学习模型更新的标准的构件；用于从一个或多个UE接收单独机器学习模型更新的构件；以及用于基于来自该一个或多个UE的单独机器学习模型更新将组合机器学习模型更新传输到基站的构件。装置1902还包括用于接收用于通过侧链路从UE组收集机器学习模型更新并将组合机器学习模型更新传输到基站的配置的构件。装置1902还包括用于基于该配置和分组标准通过侧链路与一个或多个UE形成组的构件。装置1902还包括用于执行来自一个或多个UE的单独机器学习模型更新的模型合并以提取机器学习模型更新的一个或多个特征的构件，组合机器学习模型更新包括从单独机器学习模型更新提取的一个或多个特征。装置1902还包括用于在将组合机器学习模型更新传输到基站之后从基站接收经更新模型的构件。

在另一种配置中，装置1902并且具体地基带处理器1904包括用于从基站接收用于对UE进行分组以进行组合机器学习模型更新的标准的构件；以及用于基于来自基站的标准将单独机器学习模型更新从UE传输到UE组中的指定UE的构件。装置1902还包括用于接收对UE组中的指定UE的指示的构件。装置1902还包括用于基于指示并且UE满足标准而通过侧链路加入具有指定UE的组的构件。装置1902还包括用于接收对多个指定UE的指示的构件；以及用于加入具有多个指定UE中满足分组标准的最接近的指定UE的UE组的构件。装置1902还包括用于在将单独机器学习模型更新传输到指定UE之后从基站接收经更新模型的构件。

该构件可以是装置1902的被配置为执行由构件记载的功能的部件中的一个或多个部件。如上文所述，装置1902可包括TX处理器368、RX处理器356和控制器/处理器359。因此，在一种配置中，构件可以是被配置为执行由构件记载的功能的TX处理器368、RX处理器356和控制器/处理器359。

图20是示出用于装置2002的硬件具体实施的示例的图示2000。装置2002可以是基站、基站的部件，或者可实现基站功能性。在一些方面，装置2002可包括基带单元2004。基带单元2004可通过RF收发器2022与UE 104通信。基带单元2004可包括计算机可读介质/存储器。基带单元2004负责一般处理，包括执行存储在计算机可读介质/存储器上的软件。该软件在由基带单元2004执行时使基带单元1804执行上文所述的各种功能。计算机可读介质/存储器还可用于存储由基带单元2004在执行软件时操纵的数据。基带单元2004还包括接收部件2030、通信管理器2032和传输部件2034。通信管理器2032包括一个或多个所例示的部件。通信管理器2032内的部件可存储在计算机可读介质/存储器中并且/或者被配置为基带单元2004内的硬件。基带单元2004可以是基站310的部件，并且可包括存储器376和/或TX处理器316、RX处理器370和控制器/处理器375中的至少一者。

接收部件2030被配置为(例如，如结合1704、1802和1810所描述的)从至少一个UE接收未分组的机器学习模型更新；以及从至少一个UE组接收组合机器学习模型更新。通信管理器2032包括配置部件2040，其被配置为(例如，如结合1808所描述的)将指定UE配置为通过侧链路从UE组收集机器学习模型更新并将组合机器学习模型更新传输到基站。传输部件2034被配置为(例如，如结合1702、1804、1806和1812所描述的)传输用于对UE进行分组以进行组合机器学习模型更新的标准；传输对基于该标准形成的UE组中的指定UE的指示，从该指定UE接收组合机器学习模型更新；以及在从至少一个UE组接收到组合机器学习模型更新之后，传输经更新模型。

装置可包括执行图17至图18的流程图中的算法的框中的每个框的附加部件。因此，图17至图18的流程图中的每个框可由部件执行，并且装置可包括这些部件中的一个或多个部件。这些部件可以是一个或多个硬件部件，该一个或多个硬件部件具体被配置为执行所述过程/算法，由被配置为执行所述过程/算法的处理器实施，存储在计算机可读介质中以便由处理器实施，或者上述内容的一些组合。

如图所示，装置2002可包括被配置用于各种功能的多种部件。在一种配置中，装置2002并且具体地基带单元2004包括用于传输用于对UE进行分组以进行组合机器学习模型更新的标准的构件；以及用于从至少一个UE组接收组合机器学习模型更新的构件。装置2002还包括用于传输对基于标准形成的UE组中的指定UE的指示的构件，从该指定UE接收组合机器学习模型更新。装置2002还包括用于将指定UE配置为通过侧链路从UE组收集机器学习模型更新并将组合机器学习模型更新传输到基站的构件。装置2002还包括用于从至少一个UE接收未分组的机器学习模型更新的构件。装置2002还包括用于在从至少一个UE组接收到组合机器学习模型更新之后传输经更新模型的构件。

该构件可以是装置2002的被配置为执行由构件记载的功能的部件中的一个或多个部件。如上文所述，装置2002可包括TX处理器316、RX处理器370和控制器/处理器375。因此，在一种配置中，构件可以是被配置为执行由构件记载的功能的TX处理器316、RX处理器370和控制器/处理器375。

应当理解的是，所公开的过程/流程图中框的特定次序或层次只是对示例方法的例示。应当理解的是，基于设计偏好可以重新排列过程/流程图中框的特定次序或层次。进一步地，一些框可以组合或者省略。所附的方法权利要求以样本次序呈现了各个框的元素，但是并不意味着受限于所呈现的特定次序或层次。

提供前面的描述是为了使本领域的任何技术人员能够实践本文所描述的各个方面。对这些方面的各种修改对于本领域技术人员而言将是显而易见的，并且本文中所定义的通用原理可以应用于其他方面。因此，权利要求不旨在限于本文所示的各方面，而是要符合与权利要求语言一致的全部范围，其中除非特别说明，否则以单数形式提及的元素不旨在表示“一个且仅一个”，而是旨在表示“一个或多个”。诸如“如果”、“当……时”和“在……的同时”之类的术语应当被解释为“在……的条件下”，而不是意味着即时的时间关系或反应。也就是说，这些短语，例如“当……时”，并不意味着响应于动作的发生或者在动作的发生期间的即时动作，而是简单地暗示，如果满足条件，那么动作将会发生，但不需要针对动作发生的特定或即时的时间限制。词语“示例性”在本文中用于意指“用作示例、实例、或例示”。本文中被描述为“示例性”的任何方面不一定被解释为比其他方面优选或具有优势。除非特别另外说明，否则术语“一些”指的是一个或多个。诸如“A、B或C中的至少一者”、“A、B或C中的一者或多者”、“A、B和C中的至少一者”、“A、B和C中的一者或多者”以及“A、B、C或它们的任何组合”之类的组合包括A、B和/或C的任何组合，并且可以包括多个A、多个B或多个C。具体而言，诸如“A、B或C中的至少一者”、“A、B或C中的一者或多者”、“A、B和C中的至少一者”、“A、B和C中的一者或多者”以及“A、B、C或它们的任何组合”之类的组合可以是仅A、仅B、仅C、A和B、A和C、B和C或A和B和C，其中任何此类组合可包含A、B或C的一个或多个成员。贯穿本公开描述的各个方面的元素的对于本领域普通技术人员来说是已知的或稍后将是已知的所有结构和功能等同方案以引用的方式明确地并入本文，并且旨在被权利要求所涵盖。此外，本文所公开的任何内容都不是旨在奉献给公众的，无论此类公开内容是否在权利要求中明确地记载。“模块”、“机制”、“元素”、“设备”等词不能替代“构件”一词。因此，没有权利要求元素将被理解为功能构件，除非该元素明确地使用短语“用于……的构件”来记载。

以下方面仅是例示性的并且可以与本文描述的其他方面或教导内容相结合，而不受限制。

方面1是一种在UE处进行无线通信的方法，所述方法包括：从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；从所述UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新；以及基于来自所述一个或多个UE的所述单独机器学习模型更新，将所述组合机器学习模型更新传输到所述基站。

在方面2中，根据方面1所述的方法，还包括：所述一个或多个标准标识所述UE组中的至少一个UE。

在方面3中，根据方面1或方面2所述的方法，还包括：所述标准指示与所述UE的距离、场景ID或小区ID中的一者或多者。

在方面4中，根据方面1至3中任一项所述的方法，并且还包括：接收用于通过侧链路收集所述UE组中的所述多个UE的所述单独机器学习模型更新并将所述组合机器学习模型更新传输到所述基站的配置。

在方面5中，根据方面1至4中任一项所述的方法，并且还包括：基于所述配置和用于分组的所述一个或多个标准，通过所述侧链路与所述一个或多个UE形成所述UE组。

在方面6中，根据方面1至5中任一项所述的方法，并且还包括：执行来自所述一个或多个UE的所述单独机器学习模型更新的模型合并以提取要在所述组合机器学习模型更新中报告的一个或多个特征。

在方面7中，根据方面1至6中任一项所述的方法，并且包括：所述组合机器学习模型更新基于所述单独机器学习模型更新之间的平均值。

在方面8中，根据方面1至7中任一项所述的方法，并且包括：所述组合机器学习模型更新基于所述单独机器学习模型更新之间的相似性分析。

在方面9中，根据方面1至8中任一项所述的方法，并且还包括：在将所述组合机器学习模型更新传输到所述基站之后，从所述基站接收所述机器学习模型的经更新模型。

方面10是一种在UE处进行无线通信的方法，所述方法包括：从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；基于来自所述基站的所述一个或多个标准加入所述UE组；以及将单独机器学习模型更新从所述UE传输到所述UE组中的指定UE。

在方面11中，根据方面10所述的方法，并且包括：通过与所述基站的接入链路接收所述一个或多个标准，以及通过侧链路将所述单独机器学习模型更新传输到所述指定UE。

在方面12中，根据方面10或方面11所述的方法，还包括：所述一个或多个标准标识所述UE组中的至少一个UE。

在方面13中，根据方面10至12中任一项所述的方法，并且包括：所述一个或多个标准指示与所述UE的距离、场景ID或小区ID中的一者或多者。

在方面14中，根据方面10至13中任一项所述的方法，并且还包括：接收对所述UE组中的所述指定UE的指示。

在方面15中，根据方面10至14中任一项所述的方法，并且包括：所述指示来自所述基站。

在方面16中，根据方面10至15中任一项所述的方法，并且包括：所述指示来自所述指定UE。

在方面17中，根据方面10至16中任一项所述的方法，并且还包括：基于所述指示并且所述UE满足所述标准，通过侧链路加入具有所述指定UE的所述UE组。

在方面18中，根据方面10至17中任一项所述的方法，并且还包括：接收对多个指定UE的指示；以及加入具有所述多个指定UE中满足用于分组的所述一个或多个标准的最接近的指定UE的所述UE组。

在方面19中，根据方面10至18中任一项所述的方法，并且还包括：在将所述单独机器学习模型更新传输到所述指定UE之后，从所述基站接收经更新模型。

方面20是一种在基站处进行无线通信的方法，所述方法包括：传输用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；以及从至少一个UE组接收所述组合机器学习模型更新。

在方面21中，根据方面20所述的方法，还包括：所述一个或多个标准标识至少一个UE以形成所述UE组。

在方面22中，根据方面20或21所述的方法，并且包括：所述一个或多个标准指示关于指定UE的范围。

在方面23中，根据方面20至22中任一项所述的方法，并且包括：所述一个或多个标准指示场景ID。

在方面24中，根据方面20至23中任一项所述的方法，并且包括：所述一个或多个标准指示小区ID。

在方面25中，根据方面20至24中任一项所述的方法，并且包括：所述一个或多个标准指示指定UE的范围、场景ID或小区ID中的一者或多者。

在方面26中，根据方面20至25中任一项所述的方法，并且还包括：传输对基于所述一个或多个标准形成的所述UE组中的指定UE的指示，所述组合机器学习模型更新从所述指定UE来接收。

在方面27中，根据方面20至26中任一项所述的方法，并且还包括：将指定UE配置为通过侧链路从所述UE组中的所述多个UE接收机器学习模型更新并将所述组合机器学习模型更新传输到所述基站。

在方面28中，根据方面20至27中任一项所述的方法，并且还包括：从至少一个UE接收未分组的机器学习模型更新。

在方面29中，根据方面20至28中任一项所述的方法，并且还包括：在从所述至少一个UE组接收到所述组合机器学习模型更新之后，传输经更新模型。

方面30是一种用于无线通信的装置，所述装置被配置为执行根据方面1至9中任一项所述的方法。

在方面31中，根据方面30所述的装置还包括至少一个天线。

在方面32中，根据方面30所述的装置还包括至少一个收发器。

方面33是一种用于无线通信的装置，所述装置包括用于执行根据方面1至9中任一项所述的方法的构件。

在方面34中，根据方面33所述的装置还包括至少一个天线。

在方面35中，根据方面33所述的装置还包括至少一个收发器。

方面36是一种存储计算机可执行代码的非暂态计算机可读存储介质，所述代码在由至少一个处理器执行时使所述至少一个处理器执行根据方面1至9中任一项所述的方法。

方面37是一种用于无线通信的装置，所述装置被配置为执行根据方面10至19中任一项所述的方法。

在方面38中，根据方面37所述的装置还包括至少一个天线。

在方面39中，根据方面37所述的装置还包括至少一个收发器。

方面40是一种用于无线通信的装置，所述装置包括用于执行根据方面10至19中任一项所述的方法的构件。

在方面41中，根据方面40所述的装置还包括至少一个天线。

在方面42中，根据方面40所述的装置还包括至少一个收发器。

方面43是一种存储计算机可执行代码的非暂态计算机可读存储介质，所述代码在由至少一个处理器执行时使所述至少一个处理器执行根据方面10至19中任一项所述的方法。

方面44是一种用于无线通信的装置，所述装置被配置为执行根据方面20至29中任一项所述的方法。

在方面45中，根据方面44所述的装置还包括至少一个天线。

在方面46中，根据方面44所述的装置还包括至少一个收发器。

方面47是一种用于无线通信的装置，所述装置包括用于执行根据方面20至29中任一项所述的方法的构件。

在方面48中，根据方面47所述的装置还包括至少一个天线。

在方面49中，根据方面47所述的装置还包括至少一个收发器。

方面50是一种存储计算机可执行代码的非暂态计算机可读存储介质，所述代码在由至少一个处理器执行时使所述至少一个处理器执行根据方面20至29中任一项所述的方法。

Claims (30)

1.一种用于在用户装备(UE)处进行无线通信的装置，所述装置包括：

存储器；和

耦合到所述存储器的至少一个处理器，所述存储器和所述至少一个处理器被配置为：

从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；

从所述UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新；以及

基于来自所述一个或多个UE的所述单独机器学习模型更新，将所述组合机器学习模型更新传输到所述基站。

2.根据权利要求1所述的装置，其中所述一个或多个标准标识所述UE组中的至少一个UE。

3.根据权利要求1所述的装置，其中所述一个或多个标准指示与所述UE的距离、场景标识符(ID)或小区ID中的一者或多者。

4.根据权利要求1所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

接收用于通过侧链路收集所述UE组中的所述多个UE的所述单独机器学习模型更新并将所述组合机器学习模型更新传输到所述基站的配置。

5.根据权利要求4所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

基于所述配置和用于分组的所述一个或多个标准，通过所述侧链路与所述一个或多个UE形成所述UE组。

6.根据权利要求1所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

执行来自所述一个或多个UE的所述单独机器学习模型更新的模型合并以提取要在所述组合机器学习模型更新中报告的一个或多个特征。

7.根据权利要求6所述的装置，其中所述组合机器学习模型更新基于所述单独机器学习模型更新之间的平均值。

8.根据权利要求6所述的装置，其中所述组合机器学习模型更新基于所述单独机器学习模型更新之间的相似性分析。

9.根据权利要求1所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

在将所述组合机器学习模型更新传输到所述基站之后，从所述基站接收所述机器学习模型的经更新模型。

10.一种用于在用户装备(UE)处进行无线通信的装置，所述装置包括：

存储器；和

耦合到所述存储器的至少一个处理器，所述存储器和所述至少一个处理器被配置为：

从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；

基于来自所述基站的所述一个或多个标准加入所述UE组；以及

将单独机器学习模型更新从所述UE传输到所述UE组中的指定UE。

11.根据权利要求10所述的装置，其中为了接收所述一个或多个标准，所述存储器和所述至少一个处理器被配置为通过与所述基站的接入链路接收所述一个或多个标准并且传输所述单独机器学习模型更新，所述存储器和所述至少一个处理器被进一步配置为通过侧链路将所述单独机器学习模型更新传输到所述指定UE。

12.根据权利要求10所述的装置，其中所述一个或多个标准标识所述UE组中的至少一个UE。

13.根据权利要求10所述的装置，其中所述一个或多个标准指示与所述UE的距离、场景标识符(ID)或小区ID中的一者或多者。

14.根据权利要求10所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

接收对所述UE组中的所述指定UE的指示。

15.根据权利要求14所述的装置，其中所述指示来自所述基站。

16.根据权利要求14所述的装置，其中所述指示来自所述指定UE。

17.根据权利要求14所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

基于所述指示并且所述UE满足所述一个或多个标准，通过侧链路加入具有所述指定UE的所述UE组。

18.根据权利要求10所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

接收对多个指定UE的指示，其中为了加入所述UE组，所述存储器和所述至少一个处理器被进一步配置为：

加入具有所述多个指定UE中满足用于分组的所述一个或多个标准的最接近的指定UE的所述UE组。

19.根据权利要求10所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

在将所述单独机器学习模型更新传输到所述指定UE之后，从所述基站接收经更新模型。

20.一种用于在基站处进行无线通信的装置，所述装置包括：

存储器；和

耦合到所述存储器的至少一个处理器，所述存储器和所述至少一个处理器被配置为：

传输用于将多个用户装备(UE)分组成UE组以进行组合机器学习模型更新的一个或多个标准；以及

从至少一个UE组接收所述组合机器学习模型更新。

21.根据权利要求20所述的装置，其中所述一个或多个标准标识至少一个UE以形成所述UE组。

22.根据权利要求20所述的装置，其中所述一个或多个标准指示关于指定UE的范围。

23.根据权利要求20所述的装置，其中所述一个或多个标准指示场景标识符(ID)。

24.根据权利要求20所述的装置，其中所述一个或多个标准指示小区标识符(ID)。

25.根据权利要求20所述的装置，其中所述一个或多个标准指示指定UE的范围、场景标识符(ID)或小区ID中的一者或多者。

26.根据权利要求20所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

传输对基于所述一个或多个标准形成的所述UE组中的指定UE的指示，所述组合机器学习模型更新从所述指定UE来接收。

27.根据权利要求20所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

将指定UE配置为通过侧链路从所述UE组中的所述多个UE接收机器学习模型更新并将所述组合机器学习模型更新传输到所述基站。

28.根据权利要求20所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

从至少一个UE接收未分组的机器学习模型更新。

29.根据权利要求20所述的装置，其中所述存储器和所述至少一个处理器被进一步配置为：

在从所述至少一个UE组接收到所述组合机器学习模型更新之后，传输经更新模型。

30.一种在用户装备(UE)处进行无线通信的方法，所述方法包括：

从基站接收用于将多个UE分组成UE组以进行组合机器学习模型更新的一个或多个标准；

从所述UE组中的一个或多个UE接收针对机器学习模型的单独机器学习模型更新；以及

基于来自所述一个或多个UE的所述单独机器学习模型更新，将所述组合机器学习模型更新传输到所述基站。