KR20220142442A - 채널 상태 정보(csi) 학습 - Google Patents

Abstract

UE(user equipment)에 의한 무선 통신 방법은 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하는 단계를 포함한다. 그 방법은 또한 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하는 단계를 포함한다. 그 방법은 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하는 단계를 더 포함한다. 그 방법은 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하는 단계를 포함한다. 또한, 그 방법은 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하는 단계를 포함한다.

Description

채널 상태 정보(CSI) 학습

[0001] 본 출원은 2020년 2월 24일에 "CHANNEL STATE INFORMATION (CSI) LEARNING"이라는 명칭으로 출원된 미국 가특허 출원 번호 제62/980,907호에 대한 우선권을 주장하는, 2021년 2월 22일에 "CHANNEL STATE INFORMATION (CSI) LEARNING"이라는 명칭으로 출원된 미국 특허 출원 번호 제17/181,934호에 대한 우선권을 주장하며, 그 출원들의 개시내용들은 그 전체가 본원에 인용에 의해 명백해 포함된다.

[0002] 본 개시내용의 양상들은 일반적으로 무선 통신들에 관한 것으로, 더 구체적으로는, 연합 CSI(channel state information) 학습을 위한 기술들 및 장치들에 관한 것이다.

[0003] 무선 통신 시스템들은 텔레포니(telephony), 비디오, 데이터, 메시징, 및 브로드캐스트들과 같은 다양한 원격통신 서비스들을 제공하도록 광범위하게 배치된다. 통상적인 무선 통신 시스템들은 이용가능한 시스템 자원들(예컨대, 대역폭, 송신 전력 등)을 공유함으로써 다수의 사용자들과의 통신들을 지원할 수 있는 다중-액세스 기법들을 이용할 수 있다. 그러한 다중-액세스 기법들의 예들은 CDMA(code division multiple access) 시스템들, TDMA(time division multiple access) 시스템들, FDMA(frequency-division multiple access) 시스템들, OFDMA(orthogonal frequency-division multiple access) 시스템들, SC-FDMA(single-carrier frequency-division multiple access) 시스템들, TD-SCDMA(time division synchronous code division multiple access) 시스템들, 및 LTE(long term evolution)를 포함한다. LTE/LTE-어드밴스드는 3GPP(Third Generation Partnership Project)에 의해 공표된 UMTS(universal mobile telecommunications system) 모바일 표준에 대한 일 세트의 개선들이다.

[0004] 무선 통신 네트워크는 다수의 UE(user equipment)들에 대한 통신을 지원할 수 있는 다수의 BS(base station)들을 포함할 수 있다. UE(user equipment)는 다운링크 및 업링크를 통해 BS(base station)와 통신할 수 있다. 다운링크(또는 순방향 링크)는 BS로부터 UE로의 통신 링크를 지칭하고, 업링크(또는 역방향 링크)는 UE로부터 BS로의 통신 링크를 지칭한다. 본원에서 더 상세히 설명될 바와 같이, BS는 Node B, gNB, AP(access point), 라디오 헤드, TRP(transmit receive point), NR(New Radio) BS, 5G Node B 등으로 지칭될 수 있다.

[0005] 위의 다중 액세스 기법들은, 상이한 사용자 장비가 도시 레벨, 국가 레벨, 지역 레벨, 및 심지어 글로벌 레벨 상에서 통신할 수 있게 하는 공통 프로토콜을 제공하기 위해 다양한 원격통신 표준들에서 채택되었다. 5G로 또한 지칭될 수 있는 NR(New Radio)은 3GPP(Third Generation Partnership Project)에 의해 공표된 LTE 모바일 표준에 대한 일 세트의 개선들이다. NR은, 스펙트럼 효율을 향상시키고, 비용들을 낮추고, 서비스들을 향상시키고, 새로운 스펙트럼을 이용하며, 그리고 DL(downlink) 상에서는 CP-OFDM(orthogonal frequency division multiplexing (OFDM) with a cyclic prefix (CP))을 사용하고 UL(uplink) 상에서는 CP-OFDM 및/또는 SC-FDM(예컨대, DFT-s-OFDM(discrete Fourier transform spread OFDM)으로 또한 알려짐)을 사용할 뿐만 아니라 빔포밍, MIMO(multiple-input multiple-output) 안테나 기법, 및 캐리어 어그리게이션을 지원하는 다른 개방형(open) 표준들과 더 양호하게 통합함으로써 모바일 광대역 인터넷 액세스를 더 양호하게 지원하도록 설계된다. 그러나, 모바일 광대역 액세스에 대한 수요가 계속 증가함에 따라, NR 및 LTE 기법들의 추가적인 향상들에 대한 필요성이 존재한다. 바람직하게, 이런 향상들은 다른 다중 액세스 기법들 및 이런 기법들을 이용하는 원격통신 표준들에 적용가능해야 한다.

[0006] 인공 신경 네트워크들은 인공 뉴런들의 상호 연결된 그룹들(예컨대, 뉴런 모델들)을 포함할 수 있다. 인공 신경 네트워크는 컴퓨테이셔널 디바이스이거나, 컴퓨테이셔널 디바이스에 의해 수행될 방법으로 표현될 수 있다. 심층 컨볼루셔널 신경 네트워크들과 같은 컨볼루셔널 신경 네트워크들은 일 타입의 피드-포워드(feed-forward) 인공 신경 네트워크이다. 컨볼루셔널 신경 네트워크들은 타일형 수용 필드에 구성될 수 있는 뉴런들의 계층들을 포함할 수 있다. 더 큰 효율성들을 달성하기 위해 무선 통신들에 신경 네트워크 프로세싱을 적용하는 것이 바람직할 것이다.

[0007] 본 개시내용의 일부 양상들에서, UE(user equipment)에 의한 무선 통신 방법은 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하는 단계를 포함할 수 있다. 방법은 또한 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하는 단계를 포함할 수 있다. 방법은 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하는 단계를 더 포함할 수 있다. 방법은 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하는 단계를 포함한다. 또한, 방법은 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하는 단계를 포함한다.

[0008] 일부 양상들에서, 기지국에 의한 무선 통신 방법은 PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 다수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하는 단계를 포함한다. 방법은 또한 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하는 단계를 포함할 수 있다. 방법은 또한 할당된 자원들에 따라 복수의 UE들로부터 업데이트된 CSI 계수들을 수신하는 단계를 포함한다. 방법은 일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하는 단계를 더 포함한다. 방법은 추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성한다. 또한, 방법은 또한 업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포한다.

[0009] 무선 통신을 위한 UE(user equipment)를 위한 장치는 메모리, 및 메모리에 동작가능하게 커플링된 하나 이상의 프로세서들을 포함할 수 있다. 메모리 및 프로세서(들)는 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신할 수 있다. UE는 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝할 수 있다. UE는 또한 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신할 수 있다. UE는 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 추가로 송신할 수 있다. UE는 또한 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신할 수 있다.

[0010] 무선 통신을 위한 기지국을 위한 장치는 메모리, 및 메모리에 동작가능하게 커플링된 하나 이상의 프로세서들을 포함할 수 있다. 메모리 및 프로세서(들)는 PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 다수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신할 수 있다. 기지국은 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당할 수 있다. 기지국은 할당된 자원들에 따라 UE들로부터 업데이트된 CSI 계수들을 수신할 수 있다. 기지국은 또한 일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출할 수 있다. 기지국은 추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 추가로 생성할 수 있다. 기지국은 또한 업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포할 수 있다.

[0011] 무선 통신을 위한 UE(user equipment)는 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하기 위한 수단을 포함할 수 있다. UE는 또한 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하기 위한 수단을 포함할 수 있다. UE는 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하기 위한 수단을 더 포함할 수 있다. UE는 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하기 위한 수단을 포함한다. 또한, UE는 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하기 위한 수단을 포함한다.

[0012] 무선 통신을 위한 기지국은 PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 다수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하기 위한 수단을 포함할 수 있다. 기지국은 또한 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하기 위한 수단을 포함할 수 있다. 기지국은 또한 할당된 자원들에 따라 복수의 UE들로부터 업데이트된 CSI 계수들을 수신하기 위한 수단을 포함한다. 기지국은 일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하기 위한 수단을 더 포함할 수 있다. 기지국은 추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하기 위한 수단을 포함한다. 또한, UE는 또한 업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하기 위한 수단을 포함한다.

[0013] 비-일시적인 컴퓨터-판독가능 매체는 사용자 장비 프로세서에 의해 실행되는 프로그램 코드를 포함할 수 있다. 매체는 PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 다수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하기 위한 프로그램 코드를 포함할 수 있다.

[0014] 매체는 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하기 위한 프로그램 코드를 포함할 수 있다. 매체는 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하기 위한 프로그램 코드를 포함할 수 있다. 매체는 또한 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하기 위한 프로그램 코드를 포함할 수 있다. 매체는 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하기 위한 프로그램 코드를 추가로 포함할 수 있다. 매체는 또한 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하기 위한 프로그램 코드를 포함할 수 있다.

[0015] 비-일시적인 컴퓨터-판독가능 매체는 기지국에 의해 실행되는 프로그램 코드를 포함할 수 있다. 매체는 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하기 위한 프로그램 코드를 포함할 수 있다. 매체는 할당된 자원들에 따라 UE들로부터 업데이트된 CSI 계수들을 수신하기 위한 프로그램 코드를 포함할 수 있다. 매체는 또한 일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하기 위한 프로그램 코드를 포함할 수 있다. 매체는 추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하기 위한 프로그램 코드를 더 포함할 수 있다. 매체는 또한 업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하기 위한 프로그램 코드를 포함할 수 있다.

[0016] 양상들은 일반적으로, 첨부한 도면들 및 명세서를 참조하여 실질적으로 설명된 바와 같은 그리고 첨부한 도면들 및 첨부한 명세서에 의해 예시된 바와 같은 방법, 장치, 시스템, 컴퓨터 프로그램 제품, 비-일시적인 컴퓨터-판독가능 매체, 사용자 장비, 기지국, 무선 통신 디바이스, 및 프로세싱 시스템을 포함한다.

[0017] 전술한 것은, 후속하는 상세한 설명이 더 잘 이해될 수 있게 하기 위해 본 개시내용에 따른 예들의 특징들 및 기술적 장점들을 다소 광범위하게 약술하였다. 추가적인 특징들 및 장점들이 이후에 설명될 것이다. 개시된 개념 및 특정 예들은 본 개시내용의 동일한 목적들을 실행하기 위해 다른 구조들을 수정 또는 설계하기 위한 기초로서 용이하게 활용될 수 있다. 그러한 동등한 구조들은 첨부된 청구항들의 범위로부터 벗어나지 않는다. 본원에서 개시된 개념들의 특성들, 즉, 개념들의 구성 및 동작 방법 모두는, 연관된 장점들과 함께, 첨부한 도면들과 관련하여 고려될 경우 후속하는 설명으로부터 더 잘 이해될 것이다. 도면들 각각은 예시 및 설명의 목적들을 위해 제공되며, 청구항들의 제한들의 정의로서 제공되지 않는다.

[0018] 본 개시내용의 위에서 언급된 특징들이 상세히 이해될 수 있도록, 위에서 간략하게 요약된 더 구체적인 설명이 양상들을 참조하여 이루어질 수 있는데, 이러한 양상들 중 일부는 첨부된 도면들에 예시되어 있다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 통상적인 양상들을 예시하는 것이고 따라서 본 개시내용의 범위를 제한하는 것으로 간주되지 않아야 한다는 것이 주목되어야 하는데, 이는 본 설명이 다른 균등하게 유효한 양상들을 허용할 수 있기 때문이다. 상이한 도면들 내의 동일한 참조 번호들은 동일한 또는 유사한 엘리먼트들을 식별할 수 있다.
[0019] 도 1은 본 개시내용의 다양한 양상들에 따른, 무선 통신 네트워크의 예를 개념적으로 예시한 블록 다이어그램이다.
[0020] 도 2는 본 개시내용의 다양한 양상들에 따른, 무선 통신 네트워크에서 기지국이 UE(user equipment)와 통신하는 예를 개념적으로 예시한 블록 다이어그램이다.
[0021] 도 3은 본 개시내용의 특정 양상들에 따른, 범용 프로세서를 포함하는 SOC(system-on-a-chip)을 사용하여 신경 네트워크를 설계하는 예시적인 구현을 예시한다.
[0022] 도 4a, 도 4b 및 도 4c는 본 개시내용의 양상들에 따른, 신경 네트워크를 예시하는 다이어그램들이다.
[0023] 도 4d는 본 개시내용의 양상들에 따른, 예시적인 DCN(deep convolutional network)을 예시한 다이어그램이다.
[0024] 도 5는 본 개시내용의 다양한 양상들에 따른, 예시적인 DCN(deep convolutional network)을 예시한 블록 다이어그램이다.
[0025] 도 6은 본 개시내용의 양상들에 따른, 예시적인 오토-인코더를 예시한 블록 다이어그램이다.
[0026] 도 7은 본 개시내용의 양상들에 따른, 학습을 위한 프로세스를 예시한다.
[0027] 도 8은 본 개시내용의 다양한 양상들에 따른, 예컨대 사용자 장비에 의해 수행되는 예시적인 프로세스를 예시한 다이어그램이다.
[0028] 도 9는 본 개시내용의 다양한 양상들에 따른, 예컨대 기지국에 의해 수행되는 예시적인 프로세스를 예시한 다이어그램이다.

[0029] 본 개시내용의 다양한 양상들은 첨부한 도면들을 참조하여 아래에서 더 충분하게 설명된다. 그러나, 본 개시내용은 많은 상이한 형태들로 구현될 수 있으며, 본 개시내용 전반에 걸쳐 제시되는 임의의 특정 구조 또는 기능으로 제한되는 것으로서 해석되지는 않아야 한다. 오히려, 이런 양상들은, 본 개시내용이 철저하고 완전해지고 본 개시내용의 범위를 당업자들에게 충분히 전달하도록 제공된다. 본원에서의 교시들에 기반하여, 당업자는, 본 개시내용의 임의의 다른 양상과 독립적으로 또는 그 양상과 조합하여 구현되는지에 관계없이, 본 개시내용의 범위가 본원에서 개시되는 본 개시내용의 임의의 양상을 커버하도록 의도된다는 것을 인지해야 한다. 예컨대, 기재된 양상들 중 임의의 수의 양상들을 사용하여, 장치가 구현될 수 있거나 방법이 실시될 수 있다. 추가적으로, 본 개시내용의 범위는, 기재된 본 개시내용의 다양한 양상들에 추가하여 또는 그 다양한 양상들 이외의 다른 구조, 기능, 또는 구조 및 기능을 사용하여 실시되는 그러한 장치 또는 방법을 커버하도록 의도된다. 개시된 본 개시내용의 임의의 양상이 청구항의 하나 이상의 엘리먼트들에 의해 구현될 수 있다는 것이 이해되어야 한다.

[0030] 원격통신 시스템들의 몇몇 양상들이 이제 다양한 장치들 및 기술들을 참조하여 제시될 것이다. 이런 장치들 및 기술들은, 다양한 블록들, 모듈들, 컴포넌트들, 회로들, 단계들, 프로세스들, 알고리즘들 등(총괄하여, “엘리먼트들”로 지칭됨)에 의해 다음의 상세한 설명에서 설명되고 첨부한 도면들에서 예시될 것이다. 이런 엘리먼트들은 하드웨어, 소프트웨어, 또는 이것들의 조합들을 사용하여 구현될 수 있다. 그러한 엘리먼트들이 하드웨어로서 구현될지 또는 소프트웨어로서 구현될지는 특정한 애플리케이션 및 전체 시스템에 부과된 설계 제약들에 의존한다.

[0031] 양상들이 5G 및 나중 무선 기법들과 공통적으로 연관된 용어를 사용하여 설명될 수 있지만, 본 개시내용의 양상들은 이를테면 3G 및/또는 4G 기법들을 포함해서 다른 세대-기반 통신 시스템들에서 적용될 수 있다는 것이 주목되어야 한다.

[0032] 도 1은 본 개시내용의 양상들이 실시될 수 있는 네트워크(100)를 예시한 다이어그램이다. 네트워크(100)는 5G 또는 NR 네트워크 또는 일부 다른 무선 네트워크, 이를테면 LTE 네트워크일 수 있다. 무선 네트워크(100)는 다수의 BS들(110)(BS(110a), BS(110b), BS(110c), 및 BS(110d)로 도시됨) 및 다른 네트워크 엔티티들을 포함할 수 있다. BS는 UE(user equipment)들과 통신하는 엔티티이고, 또한 기지국, NR BS, 노드 B, gNB, 5G NB(node B), 액세스 포인트, TRP(transmit receive point) 등으로 지칭될 수 있다. 각각의 BS는 특정한 지리적 영역에 대한 통신 커버리지를 제공할 수 있다. 3GPP에서, 용어 “셀”은, 그 용어가 사용되는 맥락에 따라, BS의 커버리지 영역 및/또는 이러한 커버리지 영역을 서빙하는 BS 서브시스템을 지칭할 수 있다.

[0033] BS는 매크로 셀, 피코 셀, 펨토 셀, 및/또는 다른 타입의 셀에 대한 통신 커버리지를 제공할 수 있다. 매크로 셀은 비교적 큰 지리적 영역(예컨대, 반경이 수 킬로미터)을 커버할 수 있고, 그리고 서비스 가입된 UE들에 의한 제약되지 않은 액세스를 허용할 수 있다. 피코 셀은 비교적 작은 지리적 영역을 커버할 수 있고, 그리고 서비스 가입된 UE들에 의한 제약되지 않은 액세스를 허용할 수 있다. 펨토 셀은 비교적 작은 지리적 영역(예컨대, 홈(home))을 커버할 수 있고, 그리고 펨토 셀과의 연관(association)을 갖는 UE들(예컨대, CSG(closed subscriber group) 내의 UE들)에 의한 제약된 액세스를 허용할 수 있다. 매크로 셀에 대한 BS는 매크로 BS로 지칭될 수 있다. 피코 셀에 대한 BS는 피코 BS로 지칭될 수 있다. 펨토 셀에 대한 BS는 펨토 BS 또는 홈 BS로 지칭될 수 있다. 도 1에 도시된 예에서, BS(110a)는 매크로 셀(102a)에 대한 매크로 BS일 수 있고, BS(110b)는 피코 셀(102b)에 대한 피코 BS일 수 있으며, 그리고 BS(110c)는 펨토 셀(102c)에 대한 펨토 BS일 수 있다. BS는 하나의 또는 다수의(예컨대, 3개의) 셀들을 지원할 수 있다. 용어들 “eNB”, “기지국”, “NR BS”, “gNB”, “TRP”, “AP”, “node B”, “5G NB” 및 “셀”은 본원에서 상호교환가능하게 사용될 수 있다.

[0034] 일부 양상들에서, 셀은 반드시 고정적일 필요는 없을 수 있으며, 셀의 지리적 영역은 모바일 BS의 위치에 따라 이동할 수 있다. 일부 양상들에서, BS들은, 임의의 적합한 전송 네트워크를 사용하여 다양한 타입들의 백홀 인터페이스들, 이를테면 직접 물리 연결, 가상 네트워크 등을 통해 서로에 그리고/또는 무선 네트워크(100) 내의 하나 이상의 다른 BS들 또는 네트워크 노드들(미도시)에 상호연결될 수 있다.

[0035] 무선 네트워크(100)는 또한 중계국들을 포함할 수 있다. 중계국은, 업스트림 스테이션(예컨대, BS 또는 UE)으로부터 데이터의 송신을 수신하고 다운스트림 스테이션(예컨대, UE 또는 BS)으로 데이터의 송신을 전송할 수 있는 엔티티이다. 중계국은 또한 다른 UE들에 대한 송신들을 중계할 수 있는 UE일 수 있다. 도 1에 도시된 예에서, 중계국(110d)은 BS(110a)와 UE(120d) 간의 통신들을 가능하게 하기 위해 매크로 BS(110a) 및 UE(120d)와 통신할 수 있다. 중계국은 또한 중계 BS, 중계 기지국, 중계기 등으로 지칭될 수 있다.

[0036] 무선 네트워크(100)는 상이한 타입들의 BS들, 예컨대, 매크로 BS들, 피코 BS들, 펨토 BS들, 중계 BS들 등을 포함하는 이종 네트워크일 수 있다. 이런 상이한 타입들의 BS들은 무선 네트워크(100)에서 상이한 송신 전력 레벨들, 상이한 커버리지 영역들, 및 간섭에 대한 상이한 영향을 가질 수 있다. 예컨대, 매크로 BS들은 높은 송신 전력 레벨(예컨대, 5 내지 40 와트)을 가질 수 있는 반면, 피코 BS들, 펨토 BS들, 및 중계 BS들은 더 낮은 송신 전력 레벨들(예컨대, 0.1 내지 2 와트)을 가질 수 있다.

[0037] 네트워크 제어기(130)는 일 세트의 BS들에 커플링될 수 있고, 그리고 이런 BS들에 대한 조정 및 제어를 제공할 수 있다. 네트워크 제어기(130)는 백홀을 통해 BS들과 통신할 수 있다. BS들은 또한, 예컨대, 무선 또는 유선 백홀을 통해 간접적으로 또는 직접적으로 서로 통신할 수 있다.

[0038] UE들(120)(예컨대, 120a, 120b, 120c)은 무선 네트워크(100) 전반에 걸쳐 산재될 수 있고, 각각의 UE는 고정적이거나 또는 이동적일 수 있다. UE는 또한 액세스 단말, 단말, 이동국, 가입자 유닛, 스테이션 등으로 지칭될 수 있다. UE는, 셀룰러 폰(예컨대, 스마트 폰), PDA(personal digital assistant), 무선 모뎀, 무선 통신 디바이스, 핸드헬드 디바이스, 랩톱 컴퓨터, 코드리스 폰, WLL(wireless local loop) 스테이션, 태블릿, 카메라, 게임 디바이스, 넷북, 스마트북, 울트라북, 의료용 디바이스 또는 장비, 생체인식 센서들/디바이스들, 웨어러블 디바이스들(스마트 워치들, 스마트 의류, 스마트 안경, 스마트 손목밴드들, 스마트 장신구(jewelry)(예컨대, 스마트 반지, 스마트 팔찌)), 엔터테인먼트 디바이스(예컨대, 뮤직 또는 비디오 디바이스, 또는 위성 라디오), 차량용 컴포넌트 또는 센서, 스마트 계측기들/센서들, 산업용 제조 장비, 글로벌 포지셔닝 시스템 디바이스, 또는 무선 또는 유선 매체를 통해 통신하도록 구성된 임의의 다른 적합한 디바이스일 수 있다.

[0039] 일부 UE들은 MTC(machine-type communication) 또는 eMTC(evolved or enhanced machine-type communication) UE들로 고려될 수 있다. MTC 및 eMTC UE들은, 예컨대, 기지국, 다른 디바이스(예컨대, 원격 디바이스), 또는 일부 다른 엔티티와 통신할 수 있는 로봇들, 드론들, 원격 디바이스들, 센서들, 계측기들, 모니터들, 위치 태그들 등을 포함한다. 무선 노드는, 예컨대, 유선 또는 무선 통신 링크를 통해 네트워크(예컨대, 광역 네트워크, 이를테면 인터넷 또는 셀룰러 네트워크)에 대한 또는 그것으로의 연결을 제공할 수 있다. 일부 UE들은 IoT(Internet-of-Things) 디바이스들로 고려될 수 있고, 그리고/또는 NB-IoT(narrowband internet of things) 디바이스들로서 구현될 수 있다. 일부 UE들은 CPE(Customer Premises Equipment)로 고려될 수 있다. UE(120)는 UE(120)의 컴포넌트들, 이를테면 프로세서 컴포넌트들, 메모리 컴포넌트들 등을 수용하는 하우징 내부에 포함될 수 있다.

[0040] 일반적으로, 임의의 수의 무선 네트워크들이 주어진 지리적 영역에 배치될 수 있다. 각각의 무선 네트워크는 특정 RAT를 지원할 수 있고, 그리고 하나 이상의 주파수들 상에서 동작할 수 있다. RAT는 또한 라디오 기법, 에어 인터페이스 등으로 지칭될 수 있다. 주파수는 또한 캐리어, 주파수 채널 등으로 지칭될 수 있다. 각각의 주파수는 상이한 RAT들의 무선 네트워크들 간의 간섭을 회피하기 위해, 주어진 지리적 영역에서 단일 RAT를 지원할 수 있다. 일부 경우들에서, NR 또는 5G RAT 네트워크들이 배치될 수 있다.

[0041] 일부 양상들에서, 2개 이상의 UE들(120)(예컨대, UE(120a) 및 UE(120e)로 도시됨)은 (예컨대, 서로 통신하기 위해 기지국(110)을 중재자로서 사용하지 않고도) 하나 이상의 사이드링크 채널들을 사용하여 직접 통신할 수 있다. 예컨대, UE들(120)은 P2P(peer-to-peer) 통신들, D2D(device-to-device) 통신들, (예컨대, V2V(vehicle-to-vehicle) 프로토콜, V2I(vehicle-to-infrastructure) 프로토콜 등을 포함할 수 있는) V2X(vehicle-to-everything) 프로토콜, 메시 네트워크 등을 사용하여 통신할 수 있다. 이 경우에, UE(120)는 기지국(110)에 의해 수행되는 바와 같은 스케줄링 동작들, 자원 선택 동작들, 및/또는 본원의 다른 곳에서 설명된 다른 동작들을 수행할 수 있다.

[0042] 위에서 표시된 바와 같이, 도 1은 단지 예로서 제공된다. 다른 예들은 도 1에 관해 설명되는 것과는 상이할 수 있다.

[0043] 도 2는 도 1의 기지국들 중 하나 및 UE들 중 하나일 수 있는, 기지국(110) 및 UE(120)의 일 설계(200)의 블록 다이어그램을 도시한다. 기지국(110)에는 T개의 안테나들(234a 내지 234t)이 장착될 수 있고, UE(120)에는 R개의 안테나들(252a 내지 252r)이 장착될 수 있으며, 여기서, 일반적으로, T ≥ 1 및 R ≥ 1이다.

[0044] 기지국(110)에서, 송신 프로세서(220)는 데이터 소스(212)로부터 하나 이상의 UE들에 대한 데이터를 수신하고, 각각의 UE로부터 수신된 CQI(channel quality indicator)들에 적어도 부분적으로 기반하여 그 UE에 대해 하나 이상의 MCS(modulation and coding scheme)들을 선택하고, 각각의 UE에 대해 선택된 MCS(들)에 적어도 부분적으로 기반하여 그 UE에 대한 데이터를 프로세싱(예컨대, 인코딩 및 변조)하며, 그리고 모든 UE들에 대한 데이터 심볼들을 제공할 수 있다. 송신 프로세서(220)는 또한 (예컨대, SRPI(semi-static resource partitioning information) 등에 대한) 시스템 정보 및 제어 정보(예컨대, CQI 요청들, 그랜트들, 상위 계층 시그널링 등)를 프로세싱하고, 오버헤드 심볼들 및 제어 심볼들을 제공할 수 있다. 송신 프로세서(220)는 또한, 기준 신호들(예컨대, CRS(cell-specific reference signal)) 및 동기화 신호들(예컨대, PSS(primary synchronization signal) 및 SSS(secondary synchronization signal))에 대한 기준 심볼들을 생성할 수 있다. 송신(TX) MIMO(multiple-input multiple-output) 프로세서(230)는, 적용가능하다면, 데이터 심볼들, 제어 심볼들, 오버헤드 심볼들, 및/또는 기준 심볼들에 대해 공간 프로세싱(예컨대, 프리코딩)을 수행할 수 있고, 그리고 T개의 출력 심볼 스트림들을 T개의 변조기(MOD)들)(232a 내지 232t)에 제공할 수 있다. 각각의 변조기(232)는 개개의 출력 심볼 스트림을 (예컨대, OFDM 등을 위해) 프로세싱하여, 출력 샘플 스트림을 획득할 수 있다. 각각의 변조기(232)는 출력 샘플 스트림을 추가로 프로세싱(예컨대, 아날로그로 변환, 증폭, 필터링 및 상향변환)하여, 다운링크 신호를 획득할 수 있다. 변조기들(232a 내지 232t)로부터의 T개의 다운링크 신호들은 T개의 안테나들(234a 내지 234t)을 통해 각각 송신될 수 있다. 아래에서 더 상세히 설명되는 다양한 양상들에 따르면, 추가적인 정보를 전달하기 위해 동기화 신호들이 위치 인코딩을 이용하여 생성될 수 있다.

[0045] UE(120)에서, 안테나들(252a 내지 252r)은 기지국(110) 및/또는 다른 기지국들로부터 다운링크 신호들을 수신할 수 있고, 그리고 수신된 신호들을 복조기(DEMOD)들(254a 내지 254r)에 각각 제공할 수 있다. 각각의 복조기(254)는 수신된 신호를 컨디셔닝(예컨대, 필터링, 증폭, 하향변환, 및 디지털화)하여, 입력 샘플들을 획득할 수 있다. 각각의 복조기(254)는 입력 샘플들을 (예컨대, OFDM 등을 위해) 추가적으로 프로세싱하여, 수신된 심볼들을 획득할 수 있다. MIMO 검출기(256)는 모든 R개의 복조기들(254a 내지 254r)로부터의 수신된 심볼들을 획득하고, 적용가능하다면 수신된 심볼들에 대해 MIMO 검출을 수행하고, 그리고 검출된 심볼들을 제공할 수 있다. 수신 프로세서(258)는 검출된 심볼들을 프로세싱(예컨대, 복조 및 디코딩)하고, UE(120)에 대한 디코딩된 데이터를 데이터 싱크(260)에 제공하며, 그리고 디코딩된 제어 정보 및 시스템 정보를 제어기/프로세서(280)에 제공할 수 있다. 채널 프로세서는, RSRP(reference signal received power), RSSI(received signal strength indicator), RSRQ(reference signal received quality), CQI(channel quality indicator) 등을 결정할 수 있다. 일부 양상들에서, UE(120)의 하나 이상의 컴포넌트들은 하우징에 포함될 수 있다.

[0046] 업링크 상에서, UE(120)에서, 송신 프로세서(264)는 데이터 소스(262)로부터의 데이터 및 제어기/프로세서(280)로부터의 (예컨대, RSRP, RSSI, RSRQ, CQI 등을 포함하는 보고들을 위한) 제어 정보를 수신 및 프로세싱할 수 있다. 송신 프로세서(264)는 또한 하나 이상의 기준 신호들에 대한 기준 심볼들을 생성할 수 있다. 송신 프로세서(264)로부터의 심볼들은 적용가능하다면 TX MIMO 프로세서(266)에 의해 프리코딩되고, 변조기들(254a 내지 254r)에 의해 (예컨대, DFT-s-OFDM, CP-OFDM 등을 위해) 추가로 프로세싱되며, 그리고 기지국(110)에 송신될 수 있다. 기지국(110)에서, UE(120) 및 다른 UE들로부터의 업링크 신호들은 안테나들(234)에 의해 수신되고, 복조기들(254)에 의해 프로세싱되고, 적용가능하다면 MIMO 검출기(236)에 의해 검출되며, 그리고 수신 프로세서(238)에 의해 추가적으로 프로세싱되어, UE(120)에 의해 전송된 디코딩된 데이터 및 제어 정보를 획득할 수 있다. 수신 프로세서(238)는 디코딩된 데이터를 데이터 싱크(239)에 제공하고 디코딩된 제어 정보를 제어기/프로세서(240)에 제공할 수 있다. 기지국(110)은 통신 유닛(244)을 포함하며, 그 통신 유닛(244)을 통해 네트워크 제어기(130)에 통신할 수 있다. 네트워크 제어기(130)는 통신 유닛(294), 제어기/프로세서(290), 및 메모리(292)를 포함할 수 있다.

[0047] 기지국(110)의 제어기/프로세서(240), UE(120)의 제어기/프로세서(280), 및/또는 도 2의 임의의 다른 컴포넌트(들)는 다른 곳에서 더 상세히 설명되는 바와 같이, 연합 CSI 학습과 연관된 하나 이상의 기술들을 수행할 수 있다. 예컨대, 기지국(110)의 제어기/프로세서(240), UE(120)의 제어기/프로세서(280), 및/또는 도 2의 임의의 다른 컴포넌트(들)는, 예컨대 도 8 및 도 9의 프로세스들(800, 900) 및/또는 설명된 바와 같은 다른 프로세스들의 동작들을 수행 또는 지시할 수 있다. 메모리들(242 및 282)은 기지국(110) 및 UE(120)에 대한 데이터 및 프로그램 코드들을 각각 저장할 수 있다. 스케줄러(246)는 다운링크 및/또는 업링크 상에서의 데이터 송신을 위해 UE들을 스케줄링할 수 있다.

[0048] 일부 양상들에서, UE(120)는 수신하기 위한 수단, 트레이닝하기 위한 수단, 송신하기 위한 수단, 할당하기 위한 수단, 가중치들을 추출하기 위한 수단, 업데이트된 공통 가중치들을 생성하기 위한 수단, 및 업데이트된 공통 가중치들을 배포하기 위한 수단을 포함할 수 있다. 그러한 수단들은 도 2와 관련하여 설명된 UE(120) 또는 기지국(110)의 하나 이상의 컴포넌트들을 포함할 수 있다.

[0049] 위에서 표시된 바와 같이, 도 2는 단지 예로서 제공된다. 다른 예들은 도 2에 관해 설명되는 것과는 상이할 수 있다.

[0050] 일부 경우들에서, 상이한 타입들의 애플리케이션들 및/또는 서비스들을 지원하는 상이한 타입들의 디바이스들이 셀에 공존할 수 있다. 상이한 타입들의 디바이스들의 예들은 UE 핸드셋들, CPE(customer premises equipment)들, 차량들, IoT(Internet of Things) 디바이스들 등을 포함한다. 상이한 타입들의 애플리케이션들의 예들은 URLLC(ultra-reliable low-latency communications) 애플리케이션들, mMTC(massive machine-type communications) 애플리케이션들, eMBB(enhanced mobile broadband) 애플리케이션들, V2X(vehicle-to-anything) 애플리케이션들 등을 포함한다. 게다가, 일부 경우들에서, 단일 디바이스는 상이한 애플리케이션들 또는 서비스들을 동시에 지원할 수 있다.

[0051] 도 3은 본 개시내용의 특정 양상들에 따른, 연합 CSI 학습을 위해 구성된 CPU(central processing unit)(302) 또는 다중-코어 CPU를 포함할 수 있는 SOC(system-on-a-chip)(300)의 예시적인 구현을 예시한다. SOC(300)는 기지국(110) 또는 UE(120)에 포함될 수 있다. 변수들(예컨대, 신경 신호들 및 시냅스 가중치(synaptic weights)들), 컴퓨테이셔널 디바이스와 연관된 시스템 파라미터들(예컨대, 가중치들을 갖는 신경 네트워크), 지연들, 주파수 빈(bin) 정보, 및 작업 정보가 NPU(neural processing unit)(308)와 연관된 메모리 블록에, CPU(302)와 연관된 메모리 블록에, GPU(graphics processing unit)(304)와 연관된 메모리 블록에, DSP(digital signal processor)(306)와 연관된 메모리 블록에, 메모리 블록(318)에 저장될 수 있거나, 또는 다수의 블록들에 걸쳐 배포될 수 있다. CPU(302)에서 실행되는 명령들은 CPU(302)와 연관된 프로그램 메모리로부터 로딩될 수 있거나, 또는 메모리 블록(318)으로부터 로딩될 수 있다.

[0052] SOC(300)는 또한 특정 기능들에 맞춤화된 추가적인 프로세싱 블록들, 이를테면 GPU(304), DSP(306), 5G(fifth generation) 연결, 4G LTE(fourth generation long term evolution) 연결, Wi-Fi 연결, USB 연결, 블루투스 연결 등을 포함할 수 있는 연결 블록(310), 및 예컨대 제스처들을 검출 및 인식할 수 있는 멀티미디어 프로세서(312)를 포함할 수 있다. 일 구현에서, NPU는 CPU, DSP, 및/또는 GPU에서 구현된다. SOC(300)는 또한 센서 프로세서(314), ISP(image signal processor)들(316), 및/또는 글로벌 포지셔닝 시스템을 포함할 수 있는 내비게이션 모듈(320)을 포함할 수 있다.

[0053] SOC(300)는 ARM 명령 세트에 기반할 수 있다. 본 개시내용의 일 양상에서, 범용-프로세서(302)에 로딩되는 명령들은 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하기 위한 코드를 포함할 수 있다. 범용-프로세서(302)에 로딩된 명령들은 또한 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하기 위한 코드를 포함할 수 있다. 범용-프로세서(302)에 로딩된 명령들은 또한 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하기 위한 코드; 및 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하기 위한 코드를 포함할 수 있다. 범용-프로세서(302)에 로딩된 명령들은 또한 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하기 위한 코드를 포함할 수 있다.

[0054] 다른 양상에서, 범용-프로세서(302)에 로딩된 명령들은 또한 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하기 위한 코드; 할당된 자원들에 따라 복수의 UE들로부터 업데이트된 CSI 계수들을 수신하기 위한 코드; 및 일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하기 위한 코드를 포함할 수 있다. 범용-프로세서(302)에 로딩된 명령들은 또한 추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하기 위한 코드; 및 업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하기 위한 코드를 포함할 수 있다.

[0055] 심층 학습 아키텍처들은 각각의 계층에서 연속적으로 더 높은 추상화 레벨들의 입력들을 나타내도록 학습함으로써 객체 인식 작업을 수행할 수 있으며, 이에 의해 입력 데이터의 유용한 특징 표현을 설정할 수 있다. 이 방식으로, 심층 학습은 통상 기계 학습의 주요 병목 현상을 해결한다. 심층 학습의 출현 전에, 객체 인식 문제에 대한 기계 학습 접근법은, 어쩌면 얕은 분류기와 함께, 인간 공학 특징들에 크게 의존했을 수 있다. 얕은 분류기는, 예컨대, 2-부류 선형 분류기일 수 있고, 여기서는 특징 벡터 성분들의 가중 합이 임계치와 비교됨으로써 입력이 어느 부류에 속하는지가 예측될 수 있다. 인간 공학 특징들은 도메인 전문 지식을 갖춘 엔지니어에 의해서 특정 문제 도메인에 맞게 조정된 템플릿들 또는 커널들일 수 있다. 대조적으로, 심층 학습 아키텍처들은 인간 엔지니어가 설계할 수 있는 것과 유사한 특징들을 나타내기 위해서 트레이닝을 통해 학습할 수 있다. 게다가, 심층 네트워크는 인간이 고려하지 않았을 수 있는 새로운 타입들의 특징들을 나타내고 인식하기 위해 학습할 수 있다.

[0056] 심층 학습 아키텍처는 특징들의 계층을 학습할 수 있다. 예컨대, 만약 시각 데이터가 제공된다면, 제1 계층은 입력 스트림에서 에지들과 같은 비교적 단순한 특징들을 인식하기 위해 학습할 수 있다. 다른 예에서, 만약 청각 데이터가 제공된다면, 제1 계층은 특정 주파수들에서 스펙트럼 전력을 인식하기 위해 학습할 수 있다. 제2 계층은, 제1 계층의 출력을 입력으로 취하여, 특징들의 조합들, 이를테면 시각 데이터에 대한 단순한 형상들 또는 청각 데이터에 대한 사운드들의 조합들을 인식하기 위해 학습할 수 있다. 예컨대, 상위 계층들은 시각 데이터로 복잡한 형상들을 또는 청각 데이터로 단어들을 나타내기 위해 학습할 수 있다. 더 상위 계층들은 일반적인 시각 객체들 또는 구어(spoken phrase)들을 인식하기 위해 학습할 수 있다.

[0057] 심층 학습 아키텍처들은 자연스러운 계층 구조를 갖는 문제들에 적용될 때 특히 잘 수행될 수 있다. 예컨대, 자동차류의 분류는 바퀴들, 앞유리들 및 다른 특징들을 인식하기 위한 제1 학습으로부터 이익을 얻을 수 있다. 이런 특징들은 자동차들, 트럭들 및 비행기들을 인식하기 위해 다양한 방식들로 상위 계층에서 조합될 수 있다.

[0058] 신경 네트워크들은 다양한 연결 패턴들을 갖게 설계될 수 있다. 피드-포워드 네트워크들에서, 정보는 하위 계층에서 상위 계층으로 전달되며, 주어진 계층의 각각의 뉴런은 상위 계층들의 뉴런들과 통신한다. 계층적 표현은 위에서 설명된 바와 같이 피드-포워드 네트워크의 연속적인 계층들에 설정될 수 있다. 신경 네트워크들은 또한 재귀 또는 피드백(하향식으로도 불림) 연결들을 가질 수 있다. 재귀 연결에서, 주어진 계층의 뉴런으로부터의 출력은 동일 계층의 다른 뉴런으로 통신될 수 있다. 재귀 아키텍처는 순차적으로 신경 네트워크에 전달되는 입력 데이터 청크들 중 하나 초과의 청크들에 미치는 패턴들을 인식하는데 도움을 줄 수 있다. 주어진 계층의 뉴런으로부터 하위 계층의 뉴런으로의 연결은 피드백(또는 하향식) 연결로 불린다. 많은 피드백 연결들을 갖는 네트워크는, 상위-레벨 개념의 인식이 입력의 특정 하위-레벨 특징들을 구별하는데 있어 보조할 때, 도움을 줄 수 있다.

[0059] 신경 네트워크의 계층들 간의 연결들은 완전히 연결되거나 국부적으로 연결될 수 있다. 도 4a는 완전히 연결된 신경 네트워크(402)의 예를 예시한다. 완전히 연결된 신경 네트워크(402)에서, 제1 계층의 뉴런이 제2 계층의 모든 각각의 뉴런에 자신의 출력을 통신할 수 있음으로써, 제2 계층의 각각의 뉴런은 제1 계층의 모든 각각의 뉴런으로부터 입력을 수신할 것이다. 도 4b는 국부적으로 연결된 신경 네트워크(404)의 예를 예시한다. 국부적으로 연결된 신경 네트워크(404)에서, 제1 계층의 뉴런은 제2 계층의 제한된 수의 뉴런들에 연결될 수 있다. 더 일반적으로, 국부적으로 연결된 신경 네트워크(404)의 국부적으로 연결된 계층은, 계층의 각각의 뉴런이 동일하거나 유사한 연결 패턴을 갖지만 상이한 값들(예컨대, 410, 412, 414, 및 416)을 가질 수 있는 연결 강도들을 갖도록, 구성될 수 있다. 국부적으로 연결된 연결 패턴은 상위 계층에서 공간적으로 별개인 수용 필드들을 발생시킬 수 있는데, 이는 주어진 영역의 상위 계층 뉴런들이 네트워크에 대한 전체 입력의 제한된 부분의 특성들에 대한 트레이닝을 통해 조정되는 입력들을 수신할 수 있기 때문이다.

[0060] 국부적으로 연결된 신경 네트워크의 일 예는 컨볼루셔널 신경 네트워크이다. 도 4c는 컨볼루셔널 신경 네트워크(406)의 예를 예시한다. 컨볼루셔널 신경 네트워크(406)는 제2 계층의 각각의 뉴런에 대한 입력들과 연관된 연결 강도들이 공유되도록(예컨대, 408) 구성될 수 있다. 컨볼루셔널 신경 네트워크들은 입력들의 공간적 위치가 의미 있는 문제들에 대해 매우 적합할 수 있다.

[0061] 일 타입의 컨볼루셔널 신경 네트워크는 DCN(deep convolutional network)이다. 도 4d는 자동차-탑재 카메라와 같은 이미지 캡처링 디바이스(430)로부터 입력된 이미지(426)로부터 시각 특징들을 인식하도록 설계된 DCN(400)의 상세한 예를 예시한다. 현재 예의 DCN(400)은 교통 표지판들 및 교통 표지판에 제공된 숫자를 식별하도록 트레이닝될 수 있다. 물론, DCN(400)은 차선 표시들을 식별하거나 신호등들을 식별하는 것과 같은 다른 작업들을 위해 트레이닝될 수 있다.

[0062] DCN(400)은 지도 학습을 통해 트레이닝될 수 있다. 트레이닝 동안, DCN(400)에는 속도 제한 표지판의 이미지(426)와 같은 이미지가 제공될 수 있고, 이어서 출력(422)을 생성하기 위해 순방향 통과가 컴퓨팅될 수 있다. DCN(400)은 특징 추출 섹션 및 분류 섹션을 포함할 수 있다. 이미지(426)를 수신하였을 때, 컨볼루셔널 계층(432)은 이미지(426)에 컨볼루셔널 커널들(미도시)을 적용하여, 제1 세트의 특징 맵들(418)을 생성할 수 있다. 예로서, 컨볼루셔널 계층(432)에 대한 컨볼루셔널 커널은 28x28 특징 맵들을 생성하는 5x5 커널일 수 있다. 본 예에서, 4개의 상이한 특징 맵들이 제1 세트의 특징 맵들(418)에서 생성되기 때문에, 4개의 상이한 컨볼루셔널 커널들이 컨볼루셔널 계층(432)에서 이미지(426)에 적용되었다. 컨볼루셔널 커널들은 또한 필터들 또는 컨볼루셔널 필터들로 지칭될 수 있다.

[0063] 제1 세트의 특징 맵들(418)은 제2 세트의 특징 맵들(420)을 생성하기 위해 최대 풀링 계층(미도시)에 의해 서브샘플링될 수 있다. 최대 풀링 계층은 제1 세트의 특징 맵들(418)의 사이즈를 감소시킨다. 즉, 14x14와 같은 제2 세트의 특징 맵(420)의 사이즈는 28x28과 같은 제1 세트의 특징 맵들(418)의 사이즈보다 더 작다. 감소된 사이즈는 메모리 소비를 줄이면서 후속 계층에 유사한 정보를 제공한다. 제2 세트의 특징 맵들(420)은 하나 이상의 후속 세트들의 특징 맵들(미도시)을 생성하기 위해 하나 이상의 후속 컨볼루셔널 계층들(미도시)을 통해 추가로 컨볼브될 수 있다.

[0064] 도 4d의 예에서, 제2 세트의 특징 맵들(420)은 제1 특징 벡터(424)를 생성하기 위해 컨볼브된다. 게다가, 제1 특징 벡터(424)는 제2 특징 벡터(428)를 생성하기 위해 추가로 컨볼브된다. 제2 특징 벡터(428)의 각각의 특징은 이미지(426)의 가능한 특징에 대응하는 숫자, 이를테면 "표지판", "60" 및 "100"을 포함할 수 있다. 소프트맥스 함수(미도시)는 제2 특징 벡터(428)의 숫자들을 확률로 변환할 수 있다. 이로써, DCN(400)의 출력(422)은 이미지(426)가 하나 이상의 특징들을 포함하는 확률이다.

[0065] 본 예에서, 출력(422)에서 "표지판" 및 "60"에 대한 확률들은 출력(422)의 다른 것들, 이를테면 "30", "40", "50", "70", "80", "90" 및 "100"의 확률들보다 더 높다. 트레이닝 전에는, DCN(400)에 의해 생성되는 출력(422)은 부정확할 가능성이 있다. 따라서, 출력(422)과 목표 출력 간의 오차가 계산될 수 있다. 목표 출력은 이미지(426)의 지상 실측 정보(ground truth)(예컨대, "표지판" 및 "60")이다. 그런 다음, DCN(400)의 가중치들은 DCN(400)의 출력(422)이 목표 출력과 더 근접하게 정렬되도록 조정될 수 있다.

[0066] 가중치들을 조정하기 위해, 학습 알고리즘은 가중치들에 대한 기울기 벡터를 컴퓨팅할 수 있다. 기울기는 가중치가 조정된 경우 오차가 증가 또는 감소할 양을 표시할 수 있다. 최상위 계층에서, 기울기는 끝에서 두 번째 계층의 활성화된 뉴런과 출력 계층의 뉴런을 연결하는 가중치의 값에 직접 대응할 수 있다. 하위 계층에서, 기울기는 가중치들의 값 및 상위 계층들의 컴퓨팅된 오차 기울기들에 따라 좌우될 수 있다. 그런 다음, 오차를 줄이기 위해 가중치들이 조정될 수 있다. 가중치들을 조정하는 이 방식은 신경 네트워크를 통한 "역방향 통과"를 수반하므로 "역전파"로 지칭될 수 있다.

[0067] 실제로, 가중치들의 오차 기울기가 작은 수의 예들에 걸쳐 계산될 수 있으므로, 계산되는 기울기는 실제 오차 기울기에 접근한다. 이 접근 방법은 확률적 기울기 하강법(stochastic gradient descent)으로 지칭될 수 있다. 확률적 기울기 하강법은, 전체 시스템의 달성가능한 오차 레이트가 감소하는 것을 중단할 때까지 또는 오차 레이트가 목표 레벨에 도달할 때까지, 반복될 수 있다. 학습 후에는, DCN에 새로운 이미지들(예컨대, 이미지(426의 속도 제한 표지판))이 제공될 수 있고, 네트워크를 통한 순방향 통과가 DCN의 추론 또는 예측으로 간주될 수 있는 출력(422)을 산출할 수 있다.

[0068] DBN(deep belief network)들은 숨겨진 노드들의 다수의 계층들을 포함하는 확률 모델들이다. DBN들은 트레이닝 데이터 세트들의 계층 표현을 추출하기 위해 사용될 수 있다. DBN은 RBM(Restricted Boltzmann Machine)들의 계층들을 적층함으로써 획득될 수 있다. RBM은 일 세트의 입력들에 대한 확률 분포를 학습할 수 있는 일 타입의 인공 신경 네트워크이다. RBM들은 각각의 입력이 분류되어야 하는 부류에 대한 정보가 없을 경우에 확률 분포를 학습할 수 있기 때문에, RBM들은 종종 비지도 학습에서 사용된다. 하이브리드 비지도 및 지도 패러다임을 사용하여, DBN의 최하위 RBM들은 비지도 방식으로 트레이닝될 수 있고 특징 추출기들로서 기능할 수 있으며, 최상위 RBM은 지도 방식(목표 부류들 및 이전 계층으로부터의 입력들의 공동 배포에 대해)으로 트레이닝될 수 있고 분류기로서 기능할 수 있다.

[0069] DCN(deep convolutional network)들은 추가적인 풀링(pooling) 및 정규화 계층들을 갖게 구성되는, 컨볼루셔널 계층들의 네트워크들이다. DCN들은 많은 작업들에 대해 최첨단 성능을 달성하였다. DCN들은 지도 학습을 사용하여 트레이닝될 수 있는데, 지도 학습에서는 많은 표본들에 대한 입력 및 출력 목표들 둘 모두가 알려져 있고 그리고 기울기 하강법들을 사용하여 네트워크의 가중치들을 수정하는데 사용된다.

[0070] DCN들은 피드-포워드 네트워크들일 수 있다. 추가적으로, 위에서 설명된 바와 같이, DCN에서 제1 계층의 뉴런으로부터 다음 상위 계층의 뉴런들의 그룹으로의 연결들은 제1 계층의 뉴런들 간에 공유된다. DCN들의 피드-포워드 및 공유 연결들은 빠른 프로세싱을 위해 이용될 수 있다. DCN의 컴퓨테이셔널 부담은, 예컨대, 재귀 또는 피드백 연결들을 포함하는 유사한 사이즈의 신경 네트워크의 컴퓨테이셔널 부담보다 훨씬 더 적을 수 있다.

[0071] 컨볼루셔널 네트워크의 각각의 계층의 프로세싱은 공간적으로 불변적인 템플릿 또는 기본 투영으로 간주될 수 있다. 만약 입력이 컬러 이미지의 다수의 채널들, 이를테면 적색, 녹색 및 파란색 채널들로 먼저 분해된다면, 해당 입력에 대해 트레이닝된 컨볼루셔널 네트워크는 이미지의 축들을 따른 2 공간 차원들 및 컬러 정보를 캡처하는 제3 차원으로 인해 3-차원으로 간주될 수 있다. 컨볼루셔널 연결들의 출력들이 후속 계층들에서 특징 맵을 형성하기 위해 고려될 수 있는데, 특징 맵(예컨대, 220)의 각각의 엘리먼트는 이전 계층(예컨대, 특징 맵(218))의 다양한 뉴런들로부터 그리고 다수의 채널들 각각으로부터 입력을 수신한다. 특징 맵의 값들은 비-선형성, 이를테면 max(0, x)인 교정(rectification)을 통해 추가로 프로세싱될 수 있다. 인접한 뉴런들의 값들은 추가로 풀링(pooled)될 수 있고(이는 다운 샘플링에 대응함), 그리고 추가적인 국부적 불변성 및 차원 감소를 제공할 수 있다. 백색화(whitening)에 대응하는 정규화는 또한 특징 맵에서 뉴런들 간의 측방 억제를 통해 적용될 수 있다.

[0072] 심층 학습 아키텍처들의 성능은, 더 많은 라벨링된 데이터 포인트들이 이용가능하게 됨에 따라 또는 컴퓨테이셔널 능력이 증가함에 따라 증가할 수 있다. 현대의 심층 신경 네트워크들은, 단지 15년 전에 일반 연구원에게 이용가능하였던 것보다 수천 배 더 많은 컴퓨팅 자원들로 일상적으로 트레이닝된다. 새로운 아키텍처들 및 트레이닝 패러다임들은 심층 학습의 성능을 더욱 향상시킬 수 있다. 수정된 선형 유닛들은 소실 기울기들로 알려진 트레이닝 문제를 줄일 수 있다. 새로운 트레이닝 기술들은 과대-적합(over-fitting)을 줄여서, 더 큰 모델들이 더 나은 일반화를 달성하게 할 수 있다. 캡슐화 기술은 주어진 수용 필드에서 데이터를 추상화하고 전반적인 성능을 더욱 향상시킬 수 있다.

[0073] 도 5는 심층 컨볼루셔널 네트워크(550)를 예시한 블록 다이어그램이다. 심층 컨볼루셔널 네트워크(550)는 연결 및 가중치 공유에 기반하여 다수의 상이한 타입들의 계층들을 포함할 수 있다. 도 5에 도시된 바와 같이, 심층 컨볼루셔널 네트워크(550)는 컨볼루션 블록들(554A, 554B)을 포함한다. 컨볼루션 블록들(554A, 554B) 각각은 컨볼루션 계층(CONV)(356), 정규화 계층(LNorm)(558) 및 최대 풀링 계층(MAX POOL)(560)을 갖게 구성될 수 있다.

[0074] 컨볼루션 계층들(556)은 특징 맵을 생성하기 위해 입력 데이터에 적용될 수 있는 하나 이상의 컨볼루셔널 필터들을 포함할 수 있다. 비록 2개의 컨볼루션 블록들(554A, 554B)만이 도시되지만, 본 개시내용은 그렇게 제한되지 않으며, 대신에, 설계 선호도에 따라 임의의 수의 컨볼루션 블록들(554A, 554B)이 심층 컨볼루셔널 네트워크(550)에 포함될 수 있다. 정규화 계층(558)은 컨볼루션 필터들의 출력을 정규화할 수 있다. 예컨대, 정규화 층(558)은 백색화 또는 측방 억제를 제공할 수 있다. 최대 풀링 계층(560)은 국부적인 불변성 및 차원 감소를 위해 공간에 대한 다운 샘플링 어그리게이션을 제공할 수 있다.

[0075] 예컨대, 심층 컨볼루셔널 네트워크의 병렬 필터 뱅크들은 SOC(300)의 CPU(302) 또는 GPU(304)에 로딩되어, 높은 성능 및 저전력 소비를 달성할 수 있다. 대안적인 실시예들에서, 병렬 필터 뱅크들은 SOC(300)의 DSP(306) 또는 ISP(316)에 로딩될 수 있다. 추가적으로, 심층 컨볼루셔널 네트워크(550)는 센서들 및 내비게이션에 각각 전용되는 센서 프로세서(314) 및 내비게이션 모듈(320)과 같은, SOC(300) 상에 존재할 수 있는 다른 프로세싱 블록들에 액세스할 수 있다.

[0076] 심층 컨볼루셔널 네트워크(550)는 또한 하나 이상의 완전히 연결된 계층들(562)(FC1 및 FC2)을 포함할 수 있다. 심층 컨볼루셔널 네트워크(550)는 LR(logistic regression) 계층(564)을 더 포함할 수 있다. 심층 컨볼루셔널 네트워크(550)의 각각의 계층(556, 558, 560, 562, 564) 간에는 업데이트될 가중치들(미도시)이 있다. 계층들(예컨대, 556, 558, 560, 562, 564) 각각의 출력은 컨볼루션 블록들 중 제1 컨볼루션 블록들(554A)에서 공급되는 입력 데이터(552)(예컨대, 이미지들, 오디오, 비디오, 센서 데이터 및/또는 다른 입력 데이터)로부터 계층 특징 표현들을 학습하기 위해 심층 컨볼루셔널 네트워크(550)의 계층들(예컨대, 556, 558, 560, 562, 564) 중 후속 계층의 입력으로서 기능할 수 있다. 심층 컨볼루셔널 네트워크(550)의 출력은 입력 데이터(552)에 대한 분류 스코어(566)이다. 분류 스코어(566)는 일 세트의 확률들일 수 있으며, 여기서 각각의 확률은 일 세트의 특징들로부터의 특징을 입력 데이터가 포함할 확률이다.

[0077] 위에서 표시된 바와 같이, 도 3 내지 도 5는 예들로서 제공된다. 다른 예들은 도 3 내지 도 5에 관해 설명되는 것과는 상이할 수 있다.

[0078] AI(artificial intelligence)/ML(machine learning) 알고리즘들은 무선 통신들을 향상시킬 수 있다. AI/ML 모듈은 UE에서, 기지국에서, 또는 분산 알고리즘들의 경우에는 UE와 기지국에서 공동으로 실행될 수 있다. 오토-인코더 시나리오에서, 공동 트레이닝은 UE와 기지국에 걸쳐 발생할 수 있다.

[0079] 대규모 MIMO(multiple-input multiple-output) 시스템들은 5G 및 그 이후 시스템들에서 중요한 영역이다. 대규모 MIMO를 구현하기 위해, 다운링크 CSI(channel state information)가 수백 또는 심지어 수천 개의 중앙 집중형 또는 분산형 안테나를 갖는 기지국에 의해 분석되어, 사용자간 간섭을 해결하고 채널 용량을 증가시킨다. 기지국으로부터 수신된 신호들, 이를테면 CSI-RS에 기반하여 CSI 측정들이 UE에서 이루어진다. 다운링크 CSI 측정들은 프로세싱을 위해 UE로부터 기지국에 피드백된다.

[0080] 많은 양의 CSI 피드백이, 예컨대, UE에서의 오토-인코더를 사용하여 신경 네트워크 프로세싱으로 압축될 수 있다. UE는 채널 상태 피드백을 인코딩하고 인코딩된 피드백을 무선으로(over the air) 기지국에 송신할 수 있다. 채널 상태 피드백은 RRC(radio resource control) 시그널링에 의해 구성된 타임라인들에 따라 UE로부터 전송될 수 있다. 정보를 수신할 시에, 기지국은 수신되는 압축된 채널 상태 피드백 값들을 디코더에 공급하여, 채널 상태 피드백을 근사화한다.

[0081] 도 6은 본 개시내용의 양상들에 따른, 예시적인 오토-인코더(600)를 예시한 블록 다이어그램이다. 오토-인코더(600)는 컨볼루션 계층(Conv) 및 완전 연결 계층(FC)을 갖는 인코더(610)를 포함한다. 인코더(610)는 채널 실현 및/또는 간섭 실현을 입력으로서 수신하고, 채널/간섭 실현을 압축한다. 채널 실현은 또한 채널 추정으로 지칭될 수 있다. 간섭 실현은 또한 간섭 추정으로 지칭될 수 있다. 간섭은 환경에 따라 달라지고, MIMO 시나리오들에서 업링크 간섭 또는 스트림간 간섭을 해결할 수 있다.

[0082] 압축된 채널 상태 피드백은 인코더(610)로부터 출력된다. 오토-인코더(600)는 또한 인코더(610)로부터 출력되는 압축된 채널 상태 피드백을 수신하는 디코더(620)를 갖는다. 디코더(620)는 수신된 정보를 완전 연결 계층 및 일련의 컨볼루셔널 계층들을 통과시켜서, 채널 상태(예컨대, 대략적인 채널 상태)를 복구한다.

[0083] UE는 인코더(610) 및 디코더(620)를 트레이닝하고 때때로 디코더 계수들을 기지국에 송신한다. 더 높은 주파수에서, UE는 인코더(610)의 출력들(예컨대, 인코더(610)의 채널 상태 피드백 또는 압축된 출력)을 기지국에 전송한다. UE가 일 위치로부터 일 위치로 이동함에 따라, 디코더(620)의 가중치들은 변할 수 있다. 즉, 채널 환경이 변할 때, 디코더 가중치들(예컨대, 계수들)이 변할 수 있다. 따라서, 업데이트된 디코더 계수들이 변하는 환경을 반영하기 위해 UE로부터 기지국에 피드백될 수 있다. 다시 말해서, UE는 기존 환경에 기반하여 인코더뿐만 아니라 디코더를 트레이닝할 수 있다. 계수들은 RRC 시그널링에 의해 구성된 타임라인들에 따라 UE로부터 전송될 수 있다. 일 구성에서, 계수들은 채널 상태 피드백이 전송되는 것보다 덜 자주 전송된다.

[0084] 각각의 UE는 디코더 계수들뿐만 아니라 인코더 계수들도 전송한다. 다수의 UE들로부터 업데이트된 디코더/인코더 계수들을 수신한 후에, 기지국은 피드백으로부터의 공통 특징들을 학습하고 이어서 네트워크 계수들에 대한 업데이트를 수행하거나 이를 UE들에 제안할 수 있다. 계수 업데이트들은 디코더 및/또는 인코더에 대한 것일 수 있다.

[0085] 일부 사용자들은 공통 특성들을 가질 수 있다. 예컨대, 같은 커피 숍에 앉아 있는 5명의 사용자들은 같은 환경에 있기 때문에 채널 상태에 대한 일부 유사점들을 가질 것이다. 본 개시내용의 양상들은 기지국에 대한 그리고 또한 UE들에 대한 효율성을 향상시키기 위해 이런 유사점들을 활용한다.

[0086] 유사점들을 활용하기 위해, 기지국 신경 네트워크는 수신된 디코더 및 인코더 계수들에 기반하여 UE 신경 네트워크로부터 공통 부분들 및 고유 부분들을 추출한다. "공통 부분들"은 신경 네트워크의 계층들 및/또는 계층들의 가중치들을 지칭한다. 신경 네트워크의 각각의 계층은 채널의 특정 특징을 추출한다. 예컨대, 이웃 UE들은 계층 1 및 계층 2에서 유사한 가중치들을 갖지만 그것들의 인코더들의 계층 3에서는 상이한 가중치들을 가질 수 있다. 이 예에서, 공통 부분들은 계층들 1 및 2의 가중치들일 것이다.

[0087] 공통 부분들은 기존 UE들 및/또는 이 기지국을 서빙 셀로서 합류시키는 새로운 UE들에 송신될 수 있다. 예컨대, 기지국은 일 서브세트의 UE들에 대한 공통 계층들을 결정할 수 있다. 그런 다음, 그런 공통 계층들에 대한 가중치들이 업데이트되어 UE들에 송신될 수 있다. 즉, 기지국이 초기 신경 네트워크 구조를 송신한 후에, 기지국은 나중에 공통 계층들을 식별하고 공통 계층 가중치들을 UE 서브세트와 같은 다수의 UE들에 송신할 수 있다. 서브세트들은, 예컨대, 공통 환경으로 인해 공통 가중치들을 갖는 이웃들로 정의될 수 있다.

[0088] 서브세트들의 UE들은 일 서브세트의 다른 UE들과 연관되는 공통 계층 가중치들을 수신할 수 있다. 이전 예를 참조하면, 5명의 다른 사용자들이 앉아 있는 커피 숍에 들어오는 새로운 사용자들은 공통 계층 가중치들을 수신할 수 있다. 공통 계층 가중치들을 수신함으로써, 일 서브세트의 UE들은 디코더 및 인코더 계수들을 더 효율적으로 학습할 수 있다. 즉, 기지국은 계수들을 새로운 사용자에게 강요할 수 있다. 새로운 사용자는 자신의 신경 네트워크를 트레이닝할 때 그런 계수들로 시작하여, 새로운 UE에 대한 트레이닝 프로세스를 줄일 수 있다. 커피 숍 내의 새로운 사용자의 또 다른 예는 깊은 잠에서 깨어난 UE 또는 새로운 데이터 버스트를 수신하는 UE이다.

[0089] 도 7은 본 개시내용의 양상들에 따른, 학습을 위한 프로세스를 예시한다. UE들(720a, 720b, 720c)의 그룹은 압축된 채널 상태 피드백을 기지국(710)에 송신한다. 기지국(710)은 UE들(720a 내지 720c) 각각에 대응하는 디코더(730a 내지 730n)를 갖는다. 기지국(710)은 또한 각각의 UE(720a 내지 720c)에 대한 인코더(미도시)를 저장한다. 각각의 디코더(730a 내지 730n)는 수신된 채널 상태 피드백을 압축해제하여, 근사화된 채널 상태 1 내지 채널 상태 n을 복구한다. UE들(720a 내지 720c)은 또한 블록(740)에서 확인될 수 있는 바와 같이, 인코더 및 디코더 가중치들을 기지국(710)에 주기적으로 전송한다. 디코더 가중치들은 디코더들(730a 내지 730n)을 업데이트할 수 있다.

[0090] 기지국(710)은 수신된 디코더 가중치들 및 인코더 가중치들을 분석하여, 공통 부분들을 추출한다. 즉, 기지국(710)은 블록(750)에서 확인될 수 있는 바와 같이, UE들(720a 내지 720c)로부터 수신된 정보를 어그리게이팅하고 새로운 모델을 유도한다. 예컨대, 다양한 UE들(720a 내지 720c)로부터 수신된 공통 계층들의 가중치들은 평균화될 수 있다. 일 구성에서, 공통 계층들로부터의 모든 가중치들은 평균화된다. 다른 구성들에서, 공통 계층으로부터의 가중치들의 일부만이 평균화된다. 기지국(710)은 업데이트들(예컨대, 새로운 모델)을 UE들(720a 내지 720c)에 강요하여, 그것들에서 인코더 및 디코더 계수들의 학습을 향상시킨다. 기지국은 또한 업데이트들을 새로운 UE들(예컨대, UE(720d))에 강요하여, 새로운 UE(720d)에서 인코더 및 디코더 계수들의 트레이닝 속도를 높일 수 있다.

[0091] 시그널링 변화들은 연합 채널 상태 학습을 구현할 수 있다. 주기적 송신들을 위해, 기지국은 채널 상태 피드백의 주파수 및 계수 업데이트들을 UE에 알릴 수 있다. 비주기적 송신들을 위해, 기지국은 계수들의 업링크 송신을 위한 업링크 그랜트를 제공할 수 있다. 스케줄링 충돌들의 경우에, PUSCH(physical uplink shared channel) 피드백에 대한 우선순위 규칙들이 RRC 시그널링을 통해 UE에 제공될 수 있다. 예컨대, 채널 상태 피드백에 가장 낮은 우선순위가 할당될 수 있다.

[0092] MAC-CE(media access control-control element) 또는 PDSCH(physical Downlink Shared Channel)를 통해 신경 네트워크 계수들을 수신하기 위한 새로운 UE 능력이 도입된다. 기지국은 PDSCH를 통해 NN(neural network) 계수들을 UE에 송신할 수 있다. 대안적으로, 신경 네트워크 계수들의 송신을 위해 새로운 MAC-CE가 제공될 수 있다. 모든 UE들이 업데이트된 네트워크 계수들을 수신할 능력을 갖지는 않을 수 있다. 따라서, UE들이 새로운 제어 엘리먼트를 디코딩함으로써 업데이트된 계수들을 수신할 수 있도록 하는 새로운 모드가 도입될 수 있다.

[0093] 도 8은 본 개시내용의 다양한 양상들에 따른, 예컨대 UE에 의해 수행되는 예시적인 프로세스(800)를 예시하는 다이어그램이다. 예시적인 프로세스(800)는 연합 CSI(channel state information) 학습의 예이다.

[0094] 도 8에 도시된 바와 같이, 일부 양상들에서, 프로세스(800)는 PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하는 단계(블록 810)를 포함할 수 있다. 예컨대, UE는 (예컨대, 안테나(252), DEMOD(254), MIMO 검출기(256), 수신 프로세서(258), 제어기/프로세서(280), 메모리(282) 등을 사용하여) CSI(channel state information) 디코더 및 CSI 인코더를 기지국으로부터 수신할 수 있다.

[0095] 도 8에 도시된 바와 같이, 일부 양상들에서, 프로세스(800)는 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하는 단계(블록 820)를 포함할 수 있다. 예컨대, UE는 (예컨대, 제어기/프로세서(280), 메모리(282) 등을 사용하여) 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝할 수 있다.

[0096] 도 8에 도시된 바와 같이, 일부 양상들에서, 프로세스(800)는 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하는 단계(블록 830)를 포함할 수 있다. 예컨대, UE는 (예컨대, 안테나(252), DEMOD(254), MIMO 검출기(256), 수신 프로세서(258), 제어기/프로세서(280), 메모리(282) 등을 사용하여) 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신할 수 있다.

[0097] 도 8에 도시된 바와 같이, 일부 양상들에서, 프로세스(800)는 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하는 단계(블록 840)를 포함할 수 있다. 예컨대, UE는 (예컨대, 안테나(252), DEMOD(254), TX MIMO 프로세서(266), 송신 프로세서(264), 제어기/프로세서(280), 메모리(282) 등을 사용하여) 자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신할 수 있다.

[0098] 도 8에 도시된 바와 같이, 일부 양상들에서, 프로세스(800)는 추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하는 단계(블록 850)를 포함할 수 있다. 예컨대, UE는 (예컨대, 안테나(252), DEMOD(254), MIMO 검출기(256), 수신 프로세서(258), 제어기/프로세서(280), 메모리(282) 등을 사용하여) 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신할 수 있다.

[0099] 도 9는 본 개시내용의 다양한 양상들에 따른, 예컨대 기지국에 의해 수행되는 예시적인 프로세스(900)를 예시하는 다이어그램이다. 예시적인 프로세스(900)는 연합 CSI(channel state information) 학습의 예이다.

[00100] 도 9에 도시된 바와 같이, 일부 양상들에서, 프로세스(900)는 PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 다수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하는 단계(블록 910)를 포함할 수 있다. 예컨대, 기지국은 (예컨대, 안테나(234), MOD(232), TX MIMO 프로세서(230), 송신 프로세서(220), 제어기/프로세서(240), 메모리(242) 등을 사용하여) CSI(channel state information) 디코더 및 CSI 인코더를 UE(user equipment)들에 송신할 수 있다.

[00101] 도 9에 도시된 바와 같이, 일부 양상들에서, 프로세스(900)는 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하는 단계(블록 920)를 포함할 수 있다. 예컨대, 기지국은 (예컨대, 제어기/프로세서(240), 메모리(242) 등을 사용하여) CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당할 수 있다.

[00102] 도 9에 도시된 바와 같이, 일부 양상들에서, 프로세스(900)는 할당된 자원들에 따라 UE들로부터 업데이트된 CSI 계수들을 수신하는 단계(블록 930)를 포함할 수 있다. 예컨대, 기지국은 (예컨대, 안테나(234), MOD(232), MIMO 검출기(236), 수신 프로세서(238), 제어기/프로세서(240), 메모리(242) 등을 사용하여) 할당된 자원들에 따라 UE들로부터 업데이트된 CSI 계수들을 수신할 수 있다.

[00103] 도 9에 도시된 바와 같이, 일부 양상들에서, 프로세스(900)는 일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하는 단계(블록 940)를 포함할 수 있다. 예컨대, 기지국은 (예컨대, 제어기/프로세서(240), 메모리(242) 등을 사용하여) 공통 계층들의 가중치들을 추출할 수 있다. 기지국은 이러한 목적을 위해 별도의 신경 네트워크들도 사용할 수 있다.

[00104] 도 9에 도시된 바와 같이, 일부 양상들에서, 프로세스(900)는 추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하는 단계(블록 950)를 포함할 수 있다. 예컨대, 기지국은 (예컨대, 제어기/프로세서(240), 메모리(242) 등을 사용하여) 추출된 가중치들에 기반하여 업데이트된 공통 가중치들을 생성할 수 있다.

[00105] 도 9에 도시된 바와 같이, 일부 양상들에서, 프로세스(900)는 업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하는 단계(블록 960)를 포함할 수 있다. 예컨대, 기지국은 (예컨대, 안테나(234), MOD(232), TX MIMO 프로세서(230), 송신 프로세서(220), 제어기/프로세서(240), 메모리(242) 등을 사용하여) 업데이트된 공통 가중치들을 배포할 수 있다.

[00106] 구현 예들은 아래의 번호가 매겨진 조항들에서 설명된다:

[00107] 구현 예들은 아래의 번호가 매겨진 조항들에서 설명된다:

1. UE(user equipment)에 의한 무선 통신 방법은,

PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하는 단계;

업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하는 단계;

업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하는 단계;

자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하는 단계; 및

추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하는 단계를 포함한다.

2. 조항 1의 방법에서, 방법은 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 송신하기 위해 할당된 충돌 우선순위를 RRC(radio resource control) 시그널링을 통해 수신하는 단계를 더 포함한다.

3. 조항 1 또는 조항 2의 방법에서, 방법은 RRC 시그널링을 통해 구성된 타임라인들에 따라, 업데이트된 CSI 인코더로부터 출력되는 CSI 피드백과, 또한 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들을 송신하는 단계를 더 포함한다.

4. 조항 1 내지 조항 3 중 임의의 조항의 방법에서, 자원들의 표시는 주기적 송신들을 위한 업링크 그랜트 또는 파라미터들을 포함한다.

5. 기지국에 의한 무선 통신 방법은,

PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 복수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하는 단계;

CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하는 단계;

할당된 자원들에 따라 복수의 UE들로부터 업데이트된 CSI 계수들을 수신하는 단계;

일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하는 단계;

추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하는 단계; 및

업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하는 단계를 포함한다.

6. 조항 5의 방법에서, 일 서브세트의 UE들은 새로운 사용자를 포함한다.

7. 조항 5 또는 조항 6의 방법에서, 일 서브세트의 UE들은 새로운 데이터 버스트를 수신하는 기존 사용자들을 포함한다.

8. 무선 통신을 위한 UE(user equipment)의 장치는,

메모리; 및

메모리에 동작가능하게 커플링된 하나 이상의 프로세서들을 포함하고,

메모리 및 하나 이상의 프로세서들은:

PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하도록;

업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하도록;

업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하도록;

자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하도록; 그리고

추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하도록 구성된다.

9. 조항 8의 장치에서, 하나 이상의 프로세서들은 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 송신하기 위해 할당된 충돌 우선순위를 RRC(radio resource control) 시그널링을 통해 수신하도록 추가로 구성된다.

10. 조항 8 또는 조항 9의 장치에서, 하나 이상의 프로세서들은 RRC 시그널링을 통해 구성된 타임라인들에 따라, 업데이트된 CSI 인코더로부터 출력되는 CSI 피드백과, 또한 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들을 송신하도록 추가로 구성된다.

11. 조항 8 내지 조항 10 중 임의의 조항의 장치에서, 자원들의 표시는 주기적 송신들을 위한 업링크 그랜트 또는 파라미터들을 포함한다.

12. 무선 통신을 위한 기지국의 장치는,

메모리; 및

메모리에 동작가능하게 커플링된 하나 이상의 프로세서들을 포함하고,

메모리 및 하나 이상의 프로세서들은:

PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 복수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하도록;

CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하도록;

할당된 자원들에 따라 복수의 UE들로부터 업데이트된 CSI 계수들을 수신하도록;

일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하도록;

추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하도록; 그리고

업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하도록 구성된다.

13. 조항 12의 장치에서, 일 서브세트의 UE들은 새로운 사용자를 포함한다.

14. 조항 13 또는 조항 12의 장치에서, 일 서브세트의 UE들은 새로운 데이터 버스트를 수신하는 기존 사용자들을 포함한다.

15. 무선 통신을 위한 UE(user equipment)는,

PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하기 위한 수단;

업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 CSI 디코더 및 CSI 인코더를 트레이닝하기 위한 수단;

업데이트된 인코더 계수들 및 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하기 위한 수단;

자원들의 표시에 따라 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 기지국에 송신하기 위한 수단; 및

추가 트레이닝을 위해, 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하기 위한 수단을 포함한다.

16. 조항 15의 UE에서, UE는 업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 송신하기 위해 할당된 충돌 우선순위를 RRC(radio resource control) 시그널링을 통해 수신하기 위한 수단을 더 포함한다.

17. 조항 15 또는 조항 16의 UE에서, UE는 RRC 시그널링을 통해 구성된 타임라인들에 따라, 업데이트된 CSI 인코더로부터 출력되는 CSI 피드백과, 또한 업데이트된 인코더 계수들 및 업데이트된 디코더 계수들을 송신하기 위한 수단을 더 포함한다.

18. 조항 15 내지 조항 17 중 임의의 조항의 UE에서, 자원들의 표시는 주기적 송신들을 위한 업링크 그랜트 또는 파라미터들을 포함한다.

19. 무선 통신을 위한 기지국은,

PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 복수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하기 위한 수단;

CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하기 위한 수단;

할당된 자원들에 따라 복수의 UE들로부터 업데이트된 CSI 계수들을 수신하기 위한 수단;

일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하기 위한 수단;

추출된 가중치들에 기반하여 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하기 위한 수단; 및

업데이트된 공통 가중치들을 일 서브세트의 UE들에 배포하기 위한 수단을 포함한다.

20. 조항 19의 기지국에서, 일 서브세트의 UE들은 새로운 사용자를 포함한다.

21. 조항 19 또는 조항 20의 기지국에서, 일 서브세트의 UE들은 새로운 데이터 버스트를 수신하는 기존 사용자들을 위한 수단을 포함한다.

22. 비-일시적인 컴퓨터-판독가능 매체는 무선 통신들을 위한 코드를 저장하고, 그 코드는 조항 1 내지 조항 7 중 임의의 조항의 방법을 수행하도록 프로세서에 의해 실행가능한 명령들을 포함한다.

[00108] 전술한 개시내용은 예시 및 설명을 제공하지만, 총망라한 것으로 또는 양상들을 개시된 바로 그 형태로 제한하는 것으로 의도되지 않는다. 수정들 또는 변형들이 위의 개시내용의 관점에서 이루어질 수 있거나 또는 양상들의 실시로부터 획득될 수 있다.

[00109] 본원에서 사용된 바와 같이, 용어 "컴포넌트"는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로서 광범위하게 해석되도록 의도된다. 본원에서 사용된 바와 같이, 프로세서는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로 구현된다.

[00110] 일부 양상들은 임계치들과 관련하여 본원에서 설명된다. 본원에서 사용되는 바와 같이, 임계치를 충족하는 것은, 맥락에 따라, 값이 임계치보다 더 크거나, 임계치 이상이거나, 임계치보다 더 작거나, 임계치 이하이거나, 임계치와 동일하거나, 임계치와 동일하지 않은 것 등을 의미할 수 있다.

[00111] 본원에서 설명된 시스템들 및/또는 방법들이 상이한 형태들의 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것이 자명할 것이다. 이런 시스템들 및/또는 방법들을 구현하기 위해 사용되는 실제 특수화된 제어 하드웨어 또는 소프트웨어 코드는 양상들을 제한하지 않는다. 따라서, 시스템들 및/또는 방법들의 동작 및 거동은 특정 소프트웨어 코드를 참조하지 않으면서 본원에서 설명되었는데, 소프트웨어 및 하드웨어가 본원에서의 설명에 적어도 부분적으로 기반하여 시스템들 및/또는 방법들을 구현하도록 설계될 수 있다는 것이 이해되고 있다.

[00112] 특징들의 특정 조합들이 청구항들에서 언급되고 그리고/또는 명세서에서 개시되지만, 이런 조합들은 다양한 양상들의 개시내용을 제한하도록 의도되지 않는다. 사실상, 이런 특징들 중 다수는, 청구항들에서 구체적으로 언급되지 않고 그리고/또는 명세서에서 구체적으로 개시되지 않은 방식들로 조합될 수 있다. 아래에 열거된 각각의 종속 청구항이 하나의 청구항만을 직접적으로 인용할 수 있지만, 다양한 양상들의 개시내용은 청구항 세트의 모든 각각의 다른 청구항과 조합된 각각의 종속 청구항을 포함한다. 일 리스트의 아이템들 “중 적어도 하나”를 지칭하는 어구는 단일 멤버들을 포함하여 그런 아이템들의 임의의 조합을 지칭한다. 예로서, “a, b, 또는 c 중 적어도 하나”는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 구성요소의 배수들과의 임의의 조합(예컨대, 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, 및 c-c-c 또는 a, b, 및 c의 임의의 다른 순서화)을 커버하도록 의도된다.

[00113] 본원에서 사용된 어떠한 엘리먼트, 액트, 또는 명령도 중요하거나 필수적인 것으로 명확하게 설명되지 않는 한은 그렇게 해석되지 않아야 한다. 또한, 본원에서 사용된 바와 같이, 단수 표현들은 하나 이상의 아이템들을 포함하도록 의도되며, 그리고 “하나 이상”과 상호교환가능하게 사용될 수 있다. 게다가, 본원에서 사용된 바와 같이, 용어들 “세트” 및 “그룹”은 하나 이상의 아이템들(예컨대, 관련 아이템들, 비관련 아이템들, 관련 아이템들과 비관련 아이템들의 조합 등)을 포함하도록 의도되며, “하나 이상”과 상호교환가능하게 사용될 수 있다. 하나의 아이템만이 의도되는 경우, 어구 “단지 하나” 또는 유사한 표현이 사용된다. 또한, 본원에서 사용된 바와 같이, 용어들 “갖는”, “가진”, “갖춘” 등은 개방형 용어들인 것으로 의도된다. 또한, 어구 “~에 기반하는”은 달리 명확하게 나타내지 않는 한은, “~에 적어도 부분적으로 기반하는”을 의미하도록 의도된다.

Claims (21)

1. UE(user equipment)에 의한 무선 통신 방법으로서,
   PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하는 단계;
   업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 상기 CSI 디코더 및 CSI 인코더를 트레이닝하는 단계;
   상기 업데이트된 인코더 계수들 및 상기 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하는 단계;
   상기 자원들의 표시에 따라 상기 업데이트된 디코더 계수들 및 상기 업데이트된 인코더 계수들을 상기 기지국에 송신하는 단계; 및
   추가 트레이닝을 위해, 상기 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하는 단계를 포함하는, UE에 의한 무선 통신 방법.
2. 제1 항에 있어서,
   상기 업데이트된 디코더 계수들 및 상기 업데이트된 인코더 계수들을 송신하기 위해 할당된 충돌 우선순위를 RRC(radio resource control) 시그널링을 통해 수신하는 단계를 더 포함하는, UE에 의한 무선 통신 방법.
3. 제1 항에 있어서,
   RRC 시그널링을 통해 구성된 타임라인들에 따라, 상기 업데이트된 CSI 인코더로부터 출력되는 CSI 피드백과, 또한 상기 업데이트된 인코더 계수들 및 상기 업데이트된 디코더 계수들을 송신하는 단계를 더 포함하는, UE에 의한 무선 통신 방법.
4. 제1 항에 있어서,
   상기 자원들의 표시는 주기적 송신들을 위한 업링크 그랜트(grant) 또는 파라미터들을 포함하는, UE에 의한 무선 통신 방법.
5. 기지국에 의한 무선 통신 방법으로서,
   PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 복수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하는 단계;
   상기 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하는 단계;
   상기 할당된 자원들에 따라 상기 복수의 UE들로부터 상기 업데이트된 CSI 계수들을 수신하는 단계;
   일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하는 단계;
   상기 추출된 가중치들에 기반하여 상기 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하는 단계; 및
   상기 업데이트된 공통 가중치들을 상기 일 서브세트의 UE들에 배포하는 단계를 포함하는, 기지국에 의한 무선 통신 방법.
6. 제5 항에 있어서,
   상기 일 서브세트의 UE들은 새로운 사용자를 포함하는, 기지국에 의한 무선 통신 방법.
7. 제5 항에 있어서,
   상기 일 서브세트의 UE들은 새로운 데이터 버스트를 수신하는 기존 사용자들을 포함하는, 기지국에 의한 무선 통신 방법.
8. 무선 통신을 위한 UE(user equipment)의 장치로서,
   메모리; 및
   상기 메모리에 동작가능하게 커플링된 하나 이상의 프로세서들을 포함하고,
   상기 메모리 및 상기 하나 이상의 프로세서들은:
   PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하도록;
   업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 상기 CSI 디코더 및 CSI 인코더를 트레이닝하도록;
   상기 업데이트된 인코더 계수들 및 상기 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하도록;
   상기 자원들의 표시에 따라 상기 업데이트된 디코더 계수들 및 상기 업데이트된 인코더 계수들을 상기 기지국에 송신하도록; 그리고
   추가 트레이닝을 위해, 상기 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하도록 구성되는, 무선 통신을 위한 UE의 장치.
9. 제8 항에 있어서,
   상기 하나 이상의 프로세서들은 상기 업데이트된 디코더 계수들 및 상기 업데이트된 인코더 계수들을 송신하기 위해 할당된 충돌 우선순위를 RRC(radio resource control) 시그널링을 통해 수신하도록 추가로 구성되는, 무선 통신을 위한 UE의 장치.
10. 제8 항에 있어서,
    상기 하나 이상의 프로세서들은 RRC 시그널링을 통해 구성된 타임라인들에 따라, 상기 업데이트된 CSI 인코더로부터 출력되는 CSI 피드백과, 또한 상기 업데이트된 인코더 계수들 및 상기 업데이트된 디코더 계수들을 송신하도록 추가로 구성되는, 무선 통신을 위한 UE의 장치.
11. 제8 항에 있어서,
    상기 자원들의 표시는 주기적 송신들을 위한 업링크 그랜트 또는 파라미터들을 포함하는, 무선 통신을 위한 UE의 장치.
12. 무선 통신을 위한 기지국의 장치로서,
    메모리; 및
    상기 메모리에 동작가능하게 커플링된 하나 이상의 프로세서들을 포함하고,
    상기 메모리 및 상기 하나 이상의 프로세서들은:
    PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 복수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하도록;
    상기 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하도록;
    상기 할당된 자원들에 따라 상기 복수의 UE들로부터 상기 업데이트된 CSI 계수들을 수신하도록;
    일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하도록;
    상기 추출된 가중치들에 기반하여 상기 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하도록; 그리고
    상기 업데이트된 공통 가중치들을 상기 일 서브세트의 UE들에 배포하도록 구성되는, 무선 통신을 위한 기지국의 장치.
13. 제12 항에 있어서,
    상기 일 서브세트의 UE들은 새로운 사용자를 포함하는, 무선 통신을 위한 기지국의 장치.
14. 제12 항에 있어서,
    상기 일 서브세트의 UE들은 새로운 데이터 버스트를 수신하는 기존 사용자들을 포함하는, 무선 통신을 위한 기지국의 장치.
15. 무선 통신을 위한 UE(user equipment)로서,
    PDSCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 기지국으로부터 CSI(channel state information) 디코더 및 CSI 인코더를 수신하기 위한 수단;
    업데이트된 디코더 계수들 및 업데이트된 인코더 계수들을 획득하기 위해, 관찰된 채널 및 간섭 상태들에 기반하여 상기 CSI 디코더 및 CSI 인코더를 트레이닝하기 위한 수단;
    상기 업데이트된 인코더 계수들 및 상기 업데이트된 디코더 계수들의 송신을 위한 자원들의 표시를 수신하기 위한 수단;
    상기 자원들의 표시에 따라 상기 업데이트된 디코더 계수들 및 상기 업데이트된 인코더 계수들을 상기 기지국에 송신하기 위한 수단; 및
    추가 트레이닝을 위해, 상기 기지국으로부터 업데이트된 CSI 디코더 및 업데이트된 CSI 인코더를 수신하기 위한 수단을 포함하는, 무선 통신을 위한 UE.
16. 제15 항에 있어서,
    상기 업데이트된 디코더 계수들 및 상기 업데이트된 인코더 계수들을 송신하기 위해 할당된 충돌 우선순위를 RRC(radio resource control) 시그널링을 통해 수신하기 위한 수단을 더 포함하는, 무선 통신을 위한 UE.
17. 제15 항에 있어서,
    RRC 시그널링을 통해 구성된 타임라인들에 따라, 상기 업데이트된 CSI 인코더로부터 출력되는 CSI 피드백과, 또한 상기 업데이트된 인코더 계수들 및 상기 업데이트된 디코더 계수들을 송신하기 위한 수단을 더 포함하는, 무선 통신을 위한 UE.
18. 제15 항에 있어서,
    상기 자원들의 표시는 주기적 송신들을 위한 업링크 그랜트 또는 파라미터들을 포함하는, 무선 통신을 위한 UE.
19. 무선 통신을 위한 기지국으로서,
    PSDCH(physical downlink control channel) 또는 MAC-CE(media access control-control element)를 통해 복수의 UE(user equipment)들에 CSI(channel state information) 디코더 및 CSI 인코더를 송신하기 위한 수단;
    상기 CSI 디코더 및 CSI 인코더에 대한 업데이트된 CSI 계수들을 수신하기 위한 자원들을 할당하기 위한 수단;
    상기 할당된 자원들에 따라 상기 복수의 UE들로부터 상기 업데이트된 CSI 계수들을 수신하기 위한 수단;
    일 서브세트의 UE들에 대한 업데이트된 계수들과 연관된 공통 계층들의 가중치들을 추출하기 위한 수단;
    상기 추출된 가중치들에 기반하여 상기 CSI 인코더 및 CSI 디코더에 대한 업데이트된 공통 가중치들을 생성하기 위한 수단; 및
    상기 업데이트된 공통 가중치들을 상기 일 서브세트의 UE들에 배포하기 위한 수단을 포함하는, 무선 통신을 위한 기지국.
20. 제19 항에 있어서,
    상기 일 서브세트의 UE들은 새로운 사용자를 포함하는, 무선 통신을 위한 기지국.
21. 제19 항에 있어서,
    상기 일 서브세트의 UE들은 새로운 데이터 버스트를 수신하는 기존 사용자들을 위한 수단을 포함하는, 무선 통신을 위한 기지국.

Images