TW202341790A - 用於機器學習模型的組合的效能指示符 - Google Patents
用於機器學習模型的組合的效能指示符 Download PDFInfo
- Publication number
- TW202341790A TW202341790A TW112106670A TW112106670A TW202341790A TW 202341790 A TW202341790 A TW 202341790A TW 112106670 A TW112106670 A TW 112106670A TW 112106670 A TW112106670 A TW 112106670A TW 202341790 A TW202341790 A TW 202341790A
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- models
- combination
- indication
- capability information
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 447
- 238000004891 communication Methods 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims description 99
- 238000012545 processing Methods 0.000 claims description 18
- 238000011002 quantification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 42
- 230000005540 biological transmission Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000013139 quantization Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007334 memory performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/085—Retrieval of network configuration; Tracking network configuration history
- H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/06—Generation of reports
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
大體而言,本案內容的各個態樣係關於無線通訊。在一些態樣中,使用者設備(UE)可以傳輸指示對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。UE可以接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。描述了許多其他態樣。
Description
大體而言,本案內容的態樣係關於無線通訊,並且係關於用於用於機器學習模型的組合的參數的技術和裝置。
無線通訊系統得到廣泛部署以提供諸如電話、視訊、資料、訊息傳遞和廣播的各種電信服務。典型的無線通訊系統可以採用能夠經由共享可用系統資源(例如,頻寬、傳輸功率等)來支援與多個使用者通訊的多工存取技術。此種多工存取技術的實例包括分碼多工存取(CDMA)系統、分時多工存取(TDMA)系統、分頻多工存取(FDMA)系統、正交分頻多工存取(OFDMA)系統、單載波分頻多工存取(SC-FDMA)系統、時分同步分碼多工存取(TD-SCDMA)系統以及長期進化(LTE)。LTE/先進的LTE是對由第三代合作夥伴計劃(3GPP)發佈的通用行動電信系統(UMTS)行動服務標準的增強集合。
無線網路可以包括支援用於使用者設備(UE)或多個UE的通訊的一或多個基地站。UE可以經由下行鏈路通訊和上行鏈路通訊與基地站進行通訊。「下行鏈路」(或「DL」)是指從基地站到UE的通訊鏈路,並且「上行鏈路」(或「UL」)是指從UE到基地站的通訊鏈路。
已經在各種電信標準中採用了上述多工存取技術,以提供使不同的UE能夠在城市、國家、地區及/或全球級別上進行通訊的共用協定。新無線電(NR)可以被稱為5G,是對由3GPP發佈的LTE行動服務標準的增強集合。NR被設計為經由以下各項來更好地支援行動寬頻網際網路存取:改良頻譜效率、降低成本、改良服務、利用新頻譜和更好地與在下行鏈路上使用具有循環字首(CP)的正交分頻多工(OFDM)(CP-OFDM)和在上行鏈路上使用CP-OFDM及/或單載波分頻多工(SC-FDM)(亦被稱為離散傅裡葉變換展頻OFDM(DFT-s-OFDM))的其他開放標準整合,以及支援波束成形、多輸入多輸出(MIMO)天線技術和載波聚合。隨著對行動寬頻存取的需求持續增長,LTE、NR和其他無線電存取技術的進一步改良仍然是有用的。
本文中描述的一些態樣係關於一種由使用者設備(UE)執行的無線通訊的方法。該方法可以包括以下步驟:傳輸指示對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該方法可以包括以下步驟:接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
本文中描述的一些態樣係關於一種由網路節點執行的無線通訊的方法。該方法可以包括以下步驟:接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該方法可以包括以下步驟:傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
本文中描述的一些態樣係關於一種用於無線通訊的UE。該UE可以包括記憶體以及被耦合到記憶體的一或多個處理器。該一或多個處理器可以被配置為傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該一或多個處理器可以被配置為接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
本文中描述的一些態樣係關於一種用於無線通訊的網路節點。該網路節點可以包括記憶體以及被耦合到記憶體的一或多個處理器。該一或多個處理器可以被配置為接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該一或多個處理器可以被配置為傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
本文中描述的一些態樣係關於一種儲存用於由UE進行的無線通訊的指令的集合的非暫時性電腦可讀取媒體。該指令的集合在由UE的一或多個處理器執行時,可以使UE傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該指令的集合在由UE的一或多個處理器執行時,可以使UE接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
本文中描述的一些態樣係關於儲存用於由網路節點進行的無線通訊的指令的集合的非暫時性電腦可讀取媒體。該指令的集合在由網路節點的一或多個處理器執行時,可以使網路節點接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該指令的集合在由網路節點的一或多個處理器執行時,可以使網路節點傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
本文中描述的一些態樣係關於一種用於無線通訊的裝置。該裝置可以包括:用於傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊的構件,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該裝置可以包括:用於接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示的構件。
本文中描述的一些態樣係關於一種用於無線通訊的裝置。該裝置可以包括:用於接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊的構件,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。該裝置可以包括:用於傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示的構件。
態樣通常包括本文中參照附圖和說明書大致描述的以及如附圖和說明書所示的方法、裝置、系統、電腦程式產品、非暫時性電腦可讀取媒體、使用者設備、基地站、無線通訊設備及/或處理系統。
前述已經相當廣義地概括了根據本案內容的實例的特徵和技術優點,以便使以下的詳細描述可以被更好地理解。在下文中將描述額外的特徵和優點。所揭示的概念和具體實例可以被容易地用作用於修改或設計用於實現本案內容的相同目的的其他結構的基礎。此種等同構造並不背離所附請求項的範疇。當結合附圖加以考慮時,將會從如下描述中更好地理解本文所揭示的概念的特點(其組織和操作方法兩者)以及相關聯的優點。附圖之每一者附圖被提供用於例示說明和描述的目的,而不是作為請求項的範疇的定義。
儘管在本案內容中經由一些實例的圖示來描述態樣,但是熟習此項技術者將理解的是,可以在許多其他佈置和情景中實現此種態樣。本文中所述的技術可以使用不同的平臺類型、設備、系統、形狀、大小及/或封裝佈置來實現。例如,一些態樣可以經由整合晶片實施例/或者其他基於非模組元件的設備(例如,終端使用者設備、車輛、通訊設備、計算設備、工業設備、零售/購買設備、醫療設備及/或人工智慧(AI)設備)來實現。態樣可以被實現在晶片級元件、模組化元件、非模組化元件、非晶片級元件、設備級元件及/或系統級元件中。結合了所述態樣和特徵的設備可以包括用於所主張保護的和所述的態樣的實現方式和實踐的額外元件和特徵。例如,對無線信號的傳輸和接收可以包括用於類比和數位目的的一或多個元件(例如,包括天線、射頻(RF)鏈、功率放大器、調制器、緩衝器、處理器、交錯器、加法器及/或求和器的硬體元件)。本文中描述的態樣意欲可以在不同大小、形狀和構造的各種設備、元件、系統、分散式佈置及/或終端使用者設備中實踐。
下文參照附圖更全面地描述了本案內容的各個態樣。然而,本案內容可以以不同的形式來實施並且不應當被理解為限制到貫穿本案所呈現的任何具體結構或功能。恰恰相反,提供該等態樣以便使本案內容充分且完整,並且將本案內容的範疇全面地傳遞給熟習此項技術者。熟習此項技術者應當認識到,無論是獨立於本案內容的任何其他態樣還是與本案內容的任何其他態樣組合地實現,本案內容的範疇意欲涵蓋本文中所揭示的揭示內容的任何態樣。例如,可以使用本文中闡述的任何數量個態樣來實現裝置或實踐方法。另外,本案內容的範疇意欲涵蓋使用除了或不同於本文中闡述的本案內容的各個態樣的其他結構、功能體,或結構和功能體來實踐的此種裝置和方法。應當理解的是,可以由請求項的一或多個元素來體現本文中所揭示的本案內容的任何態樣。
現在將參照各個裝置和技術來呈現電信系統的幾個態樣。該等裝置和技術將在以下詳細描述中予以描述,並且將在附圖中經由各個方塊、模組、元件、電路、步驟、過程、演算法等(合稱為「元素」)圖示。該等元素可以採用硬體、軟體或其組合來實現。將該等元素實現為硬體還是軟體取決於具體的應用和對整體系統提出的設計約束條件。
儘管在本文中可以使用通常與5G或新無線電(NR)無線電存取技術(RAT)相關聯的術語來描述態樣,但是本案內容的態樣可以應用於其他RAT,諸如,3G RAT、4G RAT及/或5G以後的RAT(例如,6G)。
圖1是圖示根據本案內容的無線網路100的實例的示意圖。無線網路100可以是或者可以包括5G(例如,NR)網路及/或4G(例如,長期進化(LTE))網路的元件等。無線網路100可以包括一或多個基地站110(示為BS 110a、BS 110b、BS 110c和BS 110d)、使用者設備(UE)120或多個UE 120(示為UE 120a、UE 120b、UE 120c、UE 120d和UE 120e),及/或其他網路實體。基地站110是與UE 120進行通訊的實體。基地站110(有時被稱為BS)可以包括例如NR基地站、LTE基地站、節點B、eNB(例如,在4G中)、gNB(例如,在5G中)、存取點,及/或傳輸接收點(TRP)。每個基地站110可以為具體的地理區域提供通訊覆蓋。在第三代合作夥伴計劃(3GPP)中,取決於使用該術語的上下文,術語「細胞」可以指基地站110的覆蓋區域及/或服務於該覆蓋區域的基地站子系統。
基地站110可以為巨集細胞、微微細胞、毫微微細胞及/或另一類型的細胞提供通訊覆蓋。巨集細胞可以覆蓋相對較大的地理區域(例如,半徑若干公里),並且可以允許由具有服務訂閱的UE 120進行不受限制的存取。微微細胞可以覆蓋相對較小的地理區域,並且可以允許由具有服務訂閱的UE 120進行不受限制的存取。毫微微細胞可以覆蓋相對較小地理區域(例如,家庭),並且可以允許由具有與毫微微細胞的關聯的UE 120(例如,封閉用戶群組(CSG)中的UE 120)進行受限制的存取。針對巨集細胞的基地站110可以被稱為巨集基地站。針對微微細胞的基地站110可以被稱為微微基地站。針對毫微微細胞的基地站110可以被稱為毫微微基地站或家庭基地站。在圖1中所示的實例中,BS 110a可以是針對巨集細胞102a的巨集基地站,BS 110b可以是針對微微細胞102b的微微基地站,以及BS 110c可以是針對毫微微細胞102c的毫微微基地站。基地站可以支援一或多個(例如,三個)細胞。
在一些實例中,細胞可以不一定是靜止的,並且細胞的地理區域可以根據是行動的基地站110(例如,行動基地站)的位置來移動。在一些實例中,基地站110可以經由各種類型的回載介面(諸如直接實體連接或虛擬網路)使用任何合適的傳輸網路來在無線網路100中相互互連及/或互連到一或多個其他基地站110或網路節點(未圖示)。
無線網路100可以包括一或多個中繼站。中繼站是從上游站(例如,基地站110或UE 120)接收資料的傳輸並且向下游站(例如,UE 120或基地站110)發送資料的傳輸的實體。中繼站可以是可以對針對其他UE 120的傳輸進行中繼的UE 120。在圖1中所示的實例中,BS 110d(例如,中繼基地站)可以與BS 110a(例如,巨集基地站)和UE 120d進行通訊,以促進BS 110a和UE 120d之間的通訊。對通訊進行中繼的基地站110可以被稱為中繼站、中繼基地站、中繼器等。
無線網路100可以是包括不同類型的基地站110(諸如,巨集基地站、微微基地站、毫微微基地站、中繼基地站等)的異質網路。該等不同類型的基地站110可以具有不同的傳輸功率位準、不同的覆蓋區域,及/或對無線網路100中的干擾的不同的影響。例如,巨集基地站可以具有高傳輸功率位準(例如,5至40瓦特),而微微基地站、毫微微基地站和中繼基地站可以具有更低的傳輸功率位準(例如,0.1至2瓦特)。
網路控制器130可以耦合到基地站110的集合或與基地站110的集合進行通訊,並且可以為該等基地站110提供協調和控制。網路控制器130可以經由回載通訊鏈路來與基地站110進行通訊。基地站110可以經由無線或有線回載通訊鏈路來直接或間接地與彼此進行通訊。
UE 120可以遍佈無線網路100分佈,並且每個UE 120可以是靜止的或行動的。UE 120可以包括例如存取終端、終端、行動站及/或用戶單元。UE 120可以是蜂巢式電話(例如,智慧型電話)、個人數位助理(PDA)、無線數據機、無線通訊設備、手持設備、膝上型電腦、無線電話、無線區域迴路(WLL)站、平板電腦、相機、遊戲設備、小筆電、智慧型電腦、超級本、醫療設備、生物計量設備、可穿戴設備(例如,智慧手錶、智慧服裝、智慧眼鏡、智慧腕帶、智慧首飾(例如,智慧戒指或智慧手鏈))、娛樂設備(例如,音樂設備、視訊設備,及/或衛星無線電)、車輛元件或感測器、智慧型儀器表/感測器、工業製造設備、全球定位系統設備,及/或被配置為經由無線媒體進行通訊的任何其他合適的設備。
一些UE 120可以被視為機器類型通訊(MTC)或進化型或增強型機器類型通訊(eMTC)UE。MTC UE及/或eMTC UE可以包括例如機器人、無人機、遠端設備、感測器、儀錶、監測器,及/或位置標籤,其可以與基地站、另一個設備(例如,遠端設備)或某個其他實體進行通訊。一些UE 120可以被視為物聯網路(IoT)設備,及/或可以被實現為NB-IoT(窄頻IoT)設備。一些UE 120可以被視為客戶駐地設備。UE 120可以被包括在外殼內部,該外殼容納UE 120的元件,諸如,處理器元件及/或記憶體元件。在一些實例中,處理器元件和記憶體元件可以被耦合在一起。例如,處理器元件(例如,一或多個處理器)和記憶體元件(例如,記憶體)可以被操作性地耦合、通訊地耦合、電子地耦合及/或電氣耦合。
一般而言,在給定的地理區域中可以部署任何數量個無線網路100。每個無線網路100可以支援特定RAT,並且可以操作在一或多個頻率上。RAT可以被稱為無線電技術、空中介面等。頻率可以被稱為載波、頻率通道等。每個頻率可以支援給定地理區域中的單個RAT,以避免不同RAT的無線網路之間的干擾。在一些情況下,可以部署NR或5G RAT網路。
在一些實例中,兩個或更多個UE 120(例如,示為UE 120a和UE 120e)可以使用一或多個側行鏈路通道直接進行通訊(例如,不使用基地站110作為中介來與彼此進行通訊)。例如,UE 120可以使用同級間(P2P)通訊、設備到設備(D2D)通訊、車輛到萬物(V2X)協定(例如,其可以包括車輛到車輛(V2V)協定、車輛到基礎設施(V2I)協定,或車輛到行人(V2P)協定),及/或網狀網路來進行通訊。在此種實例中,UE 120可以執行排程操作、資源選擇操作及/或本文中其他地方描述為由基地站110執行的其他操作。
無線網路100的設備可以使用電磁頻譜進行通訊,該電磁頻譜可以根據頻率或波長被細分成各個類別、頻帶、通道等。例如,無線網路100的設備可以使用一或多個操作頻帶來通訊。在5G NR中,兩個初始操作頻帶已經被辨識成頻率範圍指稱FR1(410 MHz-7.125 GHz)和FR2(24.25 GHz-52.6 GHz)。應當理解的是,儘管FR1的一部分大於6 GHz,但是FR1在各種文件和文章中通常被稱為(可互換地)「亞-6 GHz」頻帶。關於FR2,有時發生類似的命名問題,FR2在文件和文章中通常被稱為(可互換地)「毫米波」頻帶,儘管不同於被國際電信聯盟(ITU)辨識為「毫米波」頻帶的極高頻(EHF)頻帶(30 GHz-300 GHz)。
FR1與FR2之間的頻率通常被稱為中頻帶頻率。最近的5G NR研究已經將用於該等中頻帶頻率的操作頻帶辨識為頻率範圍指稱FR3(7.125 GHz-24.25 GHz)。落入FR3之內的頻帶可以繼承FR1特點及/或FR2特點,並且因此,可以有效地將FR1及/或FR2的特徵擴展到中頻帶頻率中。另外,更高的頻帶目前正在被探索,以擴展5G NR操作以超過52.6 GHz。例如,三個較高的操作頻帶已經被辨識成頻率範圍指稱FR4a或FR4-1(52.6 GHz-71 GHz)、FR4(52.6 GHz-114.25 GHz)和FR5(114.25 GHz-300 GHz)。該等較高的頻帶之每一者頻帶落入EHF頻帶之內。
考慮到以上實例,除非另有明確說明,否則應當理解的是,若在本文中使用術語「亞6 GHz」等,則該術語可以廣義地表示可以低於6 GHz、可以在FR1內或者可以包括中頻帶頻率的頻率。此外,除非另有明確說明,否則應當理解的是,若在本文中使用術語「毫米波」等,則該術語可以廣義地表示可以包括中頻帶頻率、可以在FR2、FR4、FR4-a或FR4-1及/或FR5內或者可以在EHF頻帶內的頻率。考慮了可以修改被包括在該等操作頻帶(例如,FR1、FR2、FR3、FR4、FR4-a、FR4-1及/或FR5)中的頻率,並且本文所描述的技術適用於彼等經修改的頻率範圍。
在一些態樣中,UE 120可以包括通訊管理器140。如本文中其他地方更詳細地描述的,通訊管理器140可以傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數;及接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。另外地或可替代地,通訊管理器140可以執行本文中描述的一或多個其他操作。
在一些態樣中,網路節點(例如,基地站110)可以包括通訊管理器150。如本文中其他地方更詳細地描述的,通訊管理器150可以接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數;及傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。另外地或可替代地,通訊管理器150可以執行本文中描述的一或多個其他操作。
在一些態樣中,術語「基地站」(例如,基地站110)或「網路節點」或「網路實體」可以指聚合的基地站、解聚的基地站(例如,結合圖9所描述的)、整合存取和回載(IAB)節點、中繼節點,及/或其一或多個元件。例如,在一些態樣中,「基地站」、「網路節點」或「網路實體」可以指中央單元(CU或集中式單元)、分散式單元(DU)、無線電單元(RU)、近即時(近RT)RAN智慧控制器(RIC)或非即時(非RT)RIC,或者其組合。在一些態樣中,術語「基地站」、「網路節點」或「網路實體」可以指被配置為執行一或多個功能(諸如,本文中結合基地站110所描述的彼等功能)的一個設備。在一些態樣中,術語「基地站」、「網路節點」或「網路實體」可以指被配置為執行一或多個功能的複數個設備。例如,在一些分散式系統中,一定量的不同設備(其可以位於相同的地理位置或不同的地理位置中)之每一者設備可以被配置為執行功能的至少一部分,或者複製功能的至少一部分的執行,並且術語「基地站」、「網路節點」或「網路實體」可以指彼等不同設備中的任何一或多個設備。在一些態樣中,術語「基地站」、「網路節點」或「網路實體」可以指一或多個虛擬基地站及/或者一或多個虛擬基地站功能。例如,在一些態樣中,兩個或更多個基地站功能可以被產生實體在單個設備上。在一些態樣中,術語「基地站」、「網路節點」或「網路實體」可以指基地站功能中的一個功能而不是另一個功能。如此,單個設備可以包括多於一個基地站。
如上文所指出的,圖1是作為實例來提供的。其他實例可以不同於關於圖1所描述的實例。
圖2是圖示根據本案內容的在無線網路100中與UE 120進行通訊的基地站110的實例200的示意圖。基地站110可以配備有天線234a至234t的集合,諸如
T個天線(
T≧1)。UE 120可以配備有天線252a至252r的集合,諸如
R個天線(
R≧1)。
在基地站110處,傳輸處理器220可以從資料來源212接收意欲用於UE 120(或UE 120的集合)的資料。傳輸處理器220可以至少部分地基於從UE 120接收的一或多個通道品質指示符(CQI)來為該UE 120選擇一或多個調制和譯碼方案(MCS)。基地站110可以至少部分地基於為UE 120選擇的MCS來處理(例如,編碼和調制)用於UE 120的資料,並且為UE 120提供資料符號。傳輸處理器220可以處理系統資訊(例如,用於半靜態資源劃分資訊(SRPI))和控制資訊(例如,CQI請求、容許,及/或上層信號傳遞),並且提供管理負擔符號和控制符號。傳輸處理器220可以針對參考信號(例如,細胞特定參考信號(CRS)或解調參考信號(DMRS))以及同步信號(例如,主要同步信號(PSS)和次要同步信號(SSS))來產生參考符號。若可應用的話,傳輸(TX)多輸入多輸出(MIMO)處理器230可以對資料符號、控制符號、管理負擔符號及/或參考符號執行空間處理(例如,預編碼),並且可以向數據機232的對應集合(例如,
T個數據機)(示為數據機232a至232t)提供輸出符號串流的集合(例如,
T個輸出符號串流)。例如,每個輸出符號串流可以被提供給數據機232的調制器元件(示為MOD)。每個數據機232可以使用相應的調制器元件來處理相應的輸出符號串流(例如,用於OFDM),以獲得輸出取樣串流。每個數據機232亦可以進一步使用相應的調制器元件來對輸出取樣串流進行處理(例如,轉換為類比、放大、濾波及/或升頻轉換),以獲得下行鏈路信號。數據機232a至232t可以經由天線234的對應集合(例如,
T個天線)(示為天線234a至234t)來傳輸下行鏈路信號的集合(例如,
T個下行鏈路信號)。
在UE 120處,天線252的集合(示為天線252a至252r)可以從基地站110及/或其他基地站110接收下行鏈路信號,並且可以向數據機254的集合(例如,
R個數據機)(示為數據機254a至254r)提供接收的信號的集合(例如,
R個接收的信號)。例如,每個接收的信號進行可以被提供給數據機254的解調器元件(示為DEMOD)。每個數據機254可以使用相應的解調器元件來對接收的信號進行調節(例如,濾波、放大、降頻轉換及/或數位化),以獲得輸入取樣。每個數據機254可以使用解調器元件來進一步處理輸入取樣(例如,用於OFDM),以獲得接收的符號。MIMO偵測器256可以從數據機254獲得接收的符號,可以對接收的符號執行MIMO偵測(若可應用的話),並且可以提供偵測出的符號。接收處理器258可以處理(例如,解調和解碼)偵測出的符號,可以將用於UE 120的經解碼的資料提供給資料槽260,並且可以將經解碼的控制資訊和系統資訊提供給控制器/處理器280。術語「控制器/處理器」可以指一或多個控制器、一或多個處理器或其組合。通道處理器可以決定參考信號接收功率(RSRP)參數、接收信號強度指示符(RSSI)參數、參考信號接收品質(RSRQ)參數及/或CQI參數等。在一些實例中,UE 120的一或多個元件可以被包括在外殼284中。
網路控制器130可以包括通訊單元294、控制器/處理器290以及記憶體292。網路控制器130可以包括例如核心網路中的一或多個設備。網路控制器130可以經由通訊單元294與基地站110進行通訊。
一或多個天線(例如,天線234a至234t及/或天線252a至252r)可以包括一或多個天線面板、一或多個天線群組、天線元件的一或多個集合,以及/或者一或多個天線陣列等,或者可以被包括在一或多個天線面板、一或多個天線群組、天線元件的一或多個集合,以及/或者一或多個天線陣列等內。天線面板、天線群組、天線元件的集合,及/或天線陣列可以包括一或多個天線元件(在單個外殼或多個外殼內)、共面天線元件的集合、非共面天線元件的集合,及/或被耦合到一或多個傳輸及/或接收元件(諸如,圖2中的一或多個元件)的一或多個天線元件。
在上行鏈路上,在UE 120處,傳輸處理器264可以接收並處理來自資料來源262的資料以及來自控制器/處理器280的控制資訊(例如,用於包括RSRP、RSSI、RSRQ,及/或CQI的報告)。傳輸處理器264可以產生針對一或多個參考信號的參考符號。來自傳輸處理器264的符號可以由TX MIMO處理器266進行預編碼(若可應用的話),由數據機254進行進一步處理(例如,用於DFT-s-OFDM或CP-OFDM),並且被傳輸給基地站110。在一些實例中,UE 120的數據機254可以包括調制器和解調器。在一些實例中,UE 120包括收發機。收發機可以包括天線252、數據機254、MIMO偵測器256、接收處理器258、傳輸處理器264及/或TX MIMO處理器266的任何組合。收發機可以被處理器(例如,控制器/處理器280)和記憶體282用於執行本文中所描述的方法中的任何方法的態樣(例如,參照圖5-圖11)。
在基地站110處,來自UE 120及/或其他UE的上行鏈路信號可以由天線234來接收,由數據機232(例如,數據機232的示為DEMOD的解調器元件)來進行處理,由MIMO偵測器236來偵測(若可應用的話),並且由接收處理器238來進一步處理,以獲得由UE 120發送的經解碼的資料和控制資訊。接收處理器238可以向資料槽239提供經解碼的資料,並且向控制器/處理器240提供經解碼的控制資訊。基地站110可以包括通訊單元244,並且可以經由通訊單元244與網路控制器130進行通訊。基地站110可以包括排程器246,以排程一或多個UE 120用於下行鏈路及/或上行鏈路通訊。在一些實例中,基地站110的數據機232可以包括調制器和解調器。在一些實例中,基地站110包括收發機。收發機可以包括(多個)天線234、(多個)數據機232、MIMO偵測器236、接收處理器238、傳輸處理器220及/或TX MIMO處理器230的任何組合。收發機可以被處理器(例如,控制器/處理器240)和記憶體242用於執行本文中所描述的方法中的任何方法的態樣(例如,參照圖5-圖11)。
如本文中其他地方更詳細地描述的,基地站110的控制器/處理器240、UE 120的控制器/處理器280及/或圖中2的任何其他元件可以執行與用於ML模型的組合的參數相關聯的一或多個技術。在一些態樣中,本文中描述的網路節點是基地站110,被包括在基地站110中,或者包括圖2中所示的基地站110的一或多個元件。例如,基地站110的控制器/處理器240、UE 120的控制器/處理器280及/或圖2的任何其他元件可以執行或導引例如圖8的過程800、圖9的過程900及/或如本文中描述的其他過程的操作。記憶體242和記憶體282可以分別儲存針對基地站110和UE 120的資料和程式碼。在一些實例中,記憶體242及/或記憶體282可以包括儲存用於無線通訊的一或多個指令(例如,代碼及/或程式碼)的非暫時性電腦可讀取媒體。例如,一或多個指令在被基地站110及/或UE 120的一或多個處理器(例如,直接地,或在編譯、轉換及/或解釋之後)執行時,可以使一或多個處理器、UE 120及/或基地站110執行或導引例如圖8的過程800、圖9的過程900及/或本文中描述的其他過程的操作。在一些實例中,執行指令可以包括執行指令、轉換指令、編譯指令,及/或解釋指令等。
在一些態樣中,UE(例如,UE 120)包括:用於傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊的構件,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數;及/或用於接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示的構件。用於UE以執行本文中描述的操作的構件可以包括例如通訊管理器140、天線252、數據機254、MIMO偵測器256、接收處理器258、傳輸處理器264、TX MIMO處理器266、控制器/處理器280或記憶體282中的一項或多項。
在一些態樣中,網路節點(例如,基地站110)包括:用於接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊的構件,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數;及/或用於傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示的構件。在一些態樣中,用於網路節點以執行本文中描述的操作的構件可以包括例如通訊管理器150、傳輸處理器220、TX MIMO處理器230、數據機232、天線234、MIMO偵測器236、接收處理器238、控制器/處理器240、記憶體242或排程器246中的一項或多項。
儘管圖2中的方塊被示為相異的元件,但是上文參照方塊所描述的功能可以被實現在單個硬體、軟體,或組合元件中或者在元件的各種組合中。例如,關於傳輸處理器264、接收處理器258及/或TX MIMO處理器266描述的功能可以由控制器/處理器280來執行或者在控制器/處理器280的控制下來執行。
如上文所指出的,圖2是作為實例來提供的。其他實例可以不同於關於圖2所描述的實例。
圖3是圖示根據本案內容的解聚的基地站架構的實例300的示意圖。
通訊系統(諸如,5G NR系統)的部署可以以多種方式來佈置,其具有各種元件或組成部分。在5G NR系統或網路中,網路節點、網路實體、網路的可行動性元件、RAN節點、核心網路節點、網路元件,或網路設備(諸如,基地站(BS,例如,基地站110))或者執行基地站功能性的一或多個單元(或者一或多個元件)可以被實現在聚合的或解聚的架構中。例如,基地站(諸如,節點B(NB)、eNB、NR BS、5G NB、存取點(AP)、TRP、細胞等)可以被實現為聚合的基地站(亦被稱為獨立BS或整體BS)或解聚的基地站。
聚合的基地站可以被配置為利用實體或邏輯地整合在單個RAN節點內的無線電協定堆疊。解聚的基地站可以被配置為利用在兩個或更多個單元(諸如,一或多個CU、一或多個DU,或者一或多個RU)之間實體或邏輯地分佈的協定堆疊。在一些態樣中,CU可以被實現在RAN節點內,並且一或多個DU可以與CU共置,或者可替代地,可以在地理上或虛擬地遍佈一或多個其他RAN節點分佈。DU可以被實現成與一或多個RU進行通訊。CU、DU和RU之每一者亦可以被實現為虛擬單元,亦即,虛擬集中式單元(VCU)、虛擬分散式單元(VDU)或虛擬無線電單元(VRU)。
基地站類型的操作或網路設計可以考慮基地站功能性的聚合特點。例如,解聚的基地站可以用在整合存取和回載(IAB)網路、O-RAN(諸如,由O-RAN聯盟發起的網路配置)或虛擬化的無線電存取網路(vRAN,亦被稱為雲端無線電存取網路(C-RAN))中。解聚可以包括跨在各個實體位置處的兩個或更多個單元分佈功能性,以及為至少一個單元虛擬地分佈功能性,此舉能夠實現網路設計中的靈活性。解聚的基地站的各個單元或解聚的RAN架構可以被配置用於與至少一個其他單元的有線或無線通訊。
圖3中所示的解聚的基地站架構可以包括一或多個CU 310,CU 310可以經由回載鏈路與核心網路320直接進行通訊,或者經由一或多個解聚的基地站單元(諸如,近RT RAN RIC 325(經由E2鏈路),或與服務管理和編排(SMO)框架305相關聯的非RT RIC 315,或兩者)與核心網路320間接地進行通訊。CU 310可以經由相應的中傳鏈路(諸如,F1介面)與一或多個DU 330進行通訊。DU 330可以經由相應的前傳鏈路與一或多個RU 340進行通訊。RU 340可以經由一或多個射頻(RF)存取鏈路與相應的UE 120進行通訊。在一些實現方式中,UE 120可以同時由多個RU 340服務。
單元(例如,CU 310、DU 330、RU 340)之每一者單元以及近RT RIC 325、非RT RIC 315和SMO框架305可以包括被配置為經由有線或無線傳輸媒體接收或傳輸信號、資料或資訊(合稱為信號)的一或多個介面或者可以被耦合到該一或多個介面。單元之每一者單元或者向單元的通訊介面提供指令的相關聯的處理器或控制器可以被配置為經由傳輸媒體與其他單元中的一或多個其他單元進行通訊。例如,單元可以包括被配置為在有線傳輸媒體上接收信號或在有線傳輸媒體上向其他單元中的一或多個其他單元傳輸信號的有線介面。另外,單元可以包括被配置為在無線傳輸媒體上接收信號或在無線傳輸媒體上向其他單元中的一或多個其他單元傳輸信號,或者在無線傳輸媒體上進行信號接收和傳輸兩者的無線介面,該無線介面可以包括接收器、傳輸器或收發機(諸如,RF收發機)。
在一些態樣中,CU 310可以負責一或多個較高層控制功能。此種控制功能可以包括無線電資源控制(RRC)、封包資料彙聚協定(PDCP)、服務資料調適協定(SDAP)等。每個控制功能可以採用被配置為與由CU 310負責的其他控制功能傳送信號的介面來實現。CU 310可以被配置為處理使用者平面功能性(例如,中央單元-使用者平面(CU-PU))、控制平面功能性(例如,中央單元-控制平面(CU-CP)),或其組合。在一些實現方式中,CU 310可以被邏輯地分離成一或多個CU-UP單元和一或多個CU-CP單元。CU-UP單元可以經由介面(諸如,E1介面,當被實現在O-RAN配置中時)與CU-CP單元雙向地通訊。CU 310可以被實現成與DU 330進行通訊(必要時),以用於網路控制和信號傳遞。
DU 330可以對應於包括一或多個基地站功能以控制一或多個RU 340的操作的邏輯單元。在一些態樣中,至少部分地取決於功能分離(諸如,由第3代合作夥伴項目(3GPP)定義的功能分離),DU 330可以負責無線電鏈路控制(RLC)層、媒體存取控制(MAC)層以及一或多個高實體(PHY)層(諸如,用於前向糾錯(FEC)編碼和解碼、加擾、調制和解調等的模組)中的一項或多項。在一些態樣中,DU 330亦可以負責一或多個低PHY層。每個層(或模組)可以採用被配置為與由DU 330負責的其他層(和模組)或者與由CU 310負責的控制功能傳送信號的介面來實現。
較低層功能性可以由一或多個RU 340來實現。在一些部署中,由DU 330控制的RU 340可以對應於至少部分地基於功能分離(諸如,較低層功能分離)來負責RF處理功能或低PHY層功能(諸如,執行快速傅裡葉變換(FFT)、逆FFT(iFFT)、數位波束成形、實體隨機存取通道(PRACH)提取和濾波等)或兩者的邏輯節點。在此種架構中,RU 340可以被實現以處理與一或多個UE 120的空中(OTA)通訊。在一些實現方式中,與RU 340的控制和使用者平面通訊的即時和非即時態樣可以由對應的DU 330來控制。在一些情景中,該配置可以使DU 330和CU 310能夠被實現在基於雲端的RAN架構(諸如,vRAN架構)中。
SMO框架305可以被配置為支援非虛擬化和虛擬化的網路元件的RAN部署和提供。對於非虛擬化的網路元件,SMO框架305可以被配置為支援用於RAN覆蓋要求的專用實體資源的部署,其可以經由操作和維護介面(諸如,O1介面)來管理。對於虛擬化網路元件,SMO框架305可以被配置為經由雲端計算平臺介面(諸如,O2介面)與雲端計算平臺(諸如,開放雲端(O雲端)390)進行互動,以執行網路元件生命週期管理(諸如,以對虛擬化的網路元件進行產生實體)。此種虛擬化的網路元件可以包括但不限於:CU 310、DU 330、RU 340和近RT RIC 325。在一些實現方式中,SMO框架305可以經由O1介面與4G RAN的硬體態樣(諸如,開放eNB(O-eNB)311)進行通訊。另外,在一些實現方式中,SMO框架305可以經由O1介面與一或多個RU 340直接進行通訊。SMO框架305亦可以包括被配置為支援SMO框架305的功能性的非RT RIC 315。
非RT RIC 315可以被配置為包括實現RAN元件和資源的非即時控制和最佳化的邏輯功能、包括模型訓練和更新的人工智慧/機器學習(AI/ML)工作流程,或者近RT RIC 325中的應用/特徵的基於策略的引導。非RT RIC 315可以被耦合到近RT RIC 325或者與近RT RIC 325進行通訊(諸如,經由A1介面)。近RT RIC 325可以被配置為包括在將一或多個CU 310、一或多個DU 330或兩者,以及O-eNB與近RT RIC 325進行連接的介面上(諸如,經由E2介面),經由資料收集和動作來實現RAN元件和資源的近即時控制和最佳化的邏輯功能。
在一些實現方式中,為了產生要被部署在近RT RIC 325中的AI/ML模型,非RT RIC 315可以從外部伺服器接收參數或外部充實資訊。此種資訊可以由近RT RIC 325利用,並且可以在SMO框架305或非RT RIC 315處從非網路資料來源或從網路功能接收。在一些實例中,非RT RIC 315或近RT RIC 325可以被配置為調諧RAN行為或效能。例如,非RT RIC 315可以監測針對效能的長期趨勢和模式,並且採用AI/ML模型經由SMO框架305(諸如,經由O1的重新配置)或經由RAN管理策略(諸如,A1介面策略)的建立來執行糾正動作。
如上文所指出的,圖3是作為實例來提供的。其他實例可以不同於關於圖3所描述的實例。
圖4是圖示根據本案內容的與傳送用於ML模型的UE能力相關聯的實例400的示意圖。如圖4中所示,網路節點和UE可以經由無線網路(例如,無線網路100)進行通訊。UE可以支援與同網路節點進行通訊相關聯的一或多個ML模型。
如由元件符號405所示,UE可以接收UE能力查詢,並且網路節點可以傳輸UE能力查詢。例如,網路節點可以請求對受支援的ML模型及/或ML模型之每一者ML模型的效能的指示。
如由元件符號410所示,UE可以傳輸與單獨的ML模型相關聯的能力報告,並且網路節點可以接收與單獨的ML模型相關聯的能力報告。例如,能力報告可以指示每個受支援的ML模型,並且可以指示用於受支援的ML模型之每一者受支援的ML模型的效能參數。
如由元件符號415所示,UE可以接收對將用在與網路節點的通訊中的一或多個ML模型的集合的指示,並且網路節點可以傳輸對將用在與網路節點的通訊中的一或多個ML模型的集合的指示。ML模型可以包括UE可以執行的以在經由網路節點進行通訊時提高通訊效率的ML模型。
UE可以指示用於單獨使用時的ML模型之每一者ML模型的效能參數的值。然而,與第一ML模型相關聯的值可以至少部分地基於與第一ML模型組合使用的其他ML模型而改變。
在ML模型的組合中使用的ML模型可以爭用UE的資源,諸如,UE的中央處理單元(CPU)資源、神經處理單元(NPU)資源、圖形處理單元(GPU)資源、記憶體資源及/或輸入/輸出(I/O)資源等。例如,ML模型可以共享及/或爭用除通用資源外的專用資源,諸如,專用硬體加速模組,如快速傅裡葉變換(FFT)模組等。
另外地或可替代地,以組合使用的多個ML模型可以以相同或相關的網路功能作為目標,諸如,控制無線電資源管理(RRM)量測的第一ML模型和控制細胞重選的第二ML模型。在該情況下,UE可以消耗用於第一ML模型和第二ML模型的資源(此舉可能是不必要及/或重複的),並且可以消耗可能已經在其他態樣在應用另一ML模型時被使用的資源。此外,以組合使用的多個ML模型可以具有依賴性,諸如,第一ML模型具有用作用於第二ML模型的輸入的輸出。
在一些實例中,第一ML模型可以包括用於決定要用於報告的次頻帶的集合的CSI報告ML模型。使用第一ML模型的次頻帶的集合的準確選擇可以提高通訊效率及/或減小管理負擔。然而,第二ML模型消耗第一ML模型所需的資源(例如,計算資源及/或記憶體資源等),UE可能無法在CSI報告過時及/或廢棄之前辨識次頻帶的集合。
在該等情況下,除了其他實例,用於單獨使用時的ML模型之每一者ML模型的效能參數的報告值可以不表示在ML模型的組合中使用時的ML模型的效能參數。例如,至少部分地基於例如產生ML模型的輸出中時的時延,在模型組合中使用時的ML模型的效能可以被降低及/或減弱至其中ML模型的使用降低了通訊效率及/或消耗不必要的功率、通訊、網路及/或計算資源的點。
如上文所指出的,圖4是作為實例來提供的。其他實例可以不同於關於圖4所描述的實例。
在本文中描述的一些態樣中,UE可以指示用於在不同的模型組合中使用時的ML模型的效能參數。例如,UE可以傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。在一些態樣中,模型辨識與對效能類別的指示之間的映射不是固定的,並且是至少部分地基於在其中使用了相關聯的ML模型的組合的。在一些態樣中,效能參數可以是至少部分地基於爭用UE的資源(諸如,UE的CPU資源、NPU資源、GPU資源、記憶體資源及/或I/O資源等)的ML模型的。
在一些態樣中,UE可以指示受支援的模型組合及/或可以指示不受支援的模型組合(例如,在與對效能參數的指示相同或分開的通訊中)。
UE可以傳輸包括模型組合的列表(例如,指示UE能夠支援的ML模型的組合)的能力資訊。能力資訊亦可以包括用於第一模型組合的資訊,該資訊指示在第一模型組合中使用時的第一ML模型的第一ML模型辨識和對效能(例如,模型效能類別)的相關聯的指示,以及在第一模型組合中使用時的第二ML模型的第二ML模型辨識和對效能的相關聯的指示。用於第一模型組合的資訊可以包括對用於受UE支援用於組合的任何數量的ML模型的效能的指示。能力資訊亦可以包括用於第二模型組合的資訊,該資訊指示在第二模型組合中使用時的第三ML模型的第三ML模型辨識(例如,與第一或第二ML模型辨識或額外的ML模型辨識相同的ML模型辨識)和對效能的相關聯的指示,以及在第一模型組合中使用時的第四ML模型的第四ML模型辨識(例如,與第一或第二ML模型辨識或額外的ML模型辨識相同的ML模型辨識)和對效能的相關聯的指示。在一些態樣中,當在不同的模型組合中使用時,ML模型可以具有對效能的不同指示。
在一些態樣中,對效能的指示可以映射到效能度量及/或值的集合。例如,對效能的指示可以包括對效能類別的指示,該對效能類別的指示映射到與例如AI引擎、記憶體、量化(例如,模型輸出的細微性)及/或在產生輸出時的延遲相關的效能參數的值。效能參數的值可以是顯式值及/或可以相對於在ML模型被獨立使用(例如,不與其他ML模型組合)時的效能參數的值。在一些態樣中,映射可以被定義在表格或其他資料儲存結構中。映射可以被定義在通訊協定、通訊標準中,及/或經由雙邊或多變協調來定義。例如,UE供應商和基礎設施供應商可以共享對於每個效能類別及/或對效能的其他指示的含義的相同理解。
在一些態樣中,UE可以在RRC訊息或指示能力的其他訊息類型中傳輸能力資訊。UE可以經由UE無線電能力(例如,由基地站接收並且轉發給核心網路網路節點)、UE核心網路能力(例如,由核心網路網路節點接收並且被轉發給網路節點)及/或UE ML能力(例如,新指示或與UE無線電能力或核心網路能力資訊組合)的部分來報告能力資訊。在一些態樣中,至少部分地基於UE向第一網路節點報告與模型組合相關聯的能力資訊,第一網路節點可以將能力資訊轉發給第二網路節點及/或額外的網路節點。
至少部分地基於UE指示與其他ML模型組合使用時的ML模型的效能參數,UE可以為網路節點提供具有改良的準確性的對ML模型的效能的指示。如此,網路節點可以配置UE以使用至少部分地基於改良的準確性的ML模型的組合,使得ML模型的效能可以足以提高通訊效率及/或節約功率、通訊、網路及/或計算資源,該功率、通訊、網路及/或計算資源可能已經在其他態樣被消耗以嘗試使用具有進一步降低的效能的額外的ML模型。
圖5是根據本案內容的與用於ML模型的組合的參數相關聯的實例500的示意圖。如圖5中所示,一或多個網路節點(例如,基地站110、核心網路節點、CU、DU及/或RU)可以與UE(例如,UE 120)進行通訊。在一些態樣中,網路節點和UE可以是無線網路(例如,無線網路100)的部分。UE和網路節點在圖5中所示的操作之前可能已經建立了無線連接。
如由元件符號505所示,一或多個網路節點中的網路節點可以傳輸配置資訊,並且UE可以接收配置資訊。在一些態樣中,UE可以經由RRC信號傳遞、一或多個媒體存取控制(MAC)控制元素(CE)及/或下行鏈路控制資訊(DCI)等中的一項或多項來接收配置資訊。在一些態樣中,配置資訊可以包括對供UE選擇的一或多個配置參數(例如,已經被UE知曉及/或先前由網路節點或其他網路設備指示)的指示,及/或供用於配置UE的用於UE的顯式配置資訊等。
在一些態樣中,配置資訊可以指示UE將傳輸能力資訊以用於使用ML模型。在一些態樣中,配置資訊可以指示UE將傳輸對可以被組合(例如,被配置為在通訊期間使用)的ML模型的最大數量的指示。另外地或可替代地,配置資訊可以指示UE將傳輸對受支援及/或不受支援的模型組合的指示。在一些態樣中,配置資訊可以指示針對UE以傳輸對能力資訊的一或多個指示的配置。例如,配置資訊可以指示UE將經由RRC通訊來傳輸能力資訊。在一些態樣中,配置資訊可以指示UE將傳輸能力資訊以及來自對可以被組合的ML模型的最大數量的指示及/或者對受支援及/或不受支援的模型組合的指示的相同通訊或不同通訊。
在一些態樣中,配置資訊可以指示能力資訊將至少部分地基於與相應的ML模型一起使用的額外的ML模型的模型組合來指示用於相應的ML模型的一或多個效能參數。在一些態樣中,配置資訊可以指示能力資訊將指示模型組合以及用於被包括在模型組合中的一或多個ML模型的一或多個效能參數(例如,用於一或多個效能參數的值),其中一或多個效能參數至少部分地基於在模型組合中使用的其他ML模型。例如,配置資訊可以指示能力資訊將針對包括ML模型的模型組合之每一者模型組合來指示用於該ML模型的效能參數。ML模型可以具有用於不同模型組合的不同效能參數。
UE可以至少部分地基於配置資訊來配置其自身。在一些態樣中,UE可以被配置為至少部分地基於配置資訊來執行本文中描述的一或多個操作。
如由元件符號510所示,UE可以辨識UE支援的及/或UE不支援的ML模型(例如,與同網路節點、額外的網路節點及/或應用伺服器的通訊相關聯的ML模型)的一或多個模型組合。例如,UE可以至少部分地基於資源需求的重疊(例如,主要使用不同的處理單元)、至少部分地基於UE支援的總資源需求(例如,至少部分地基於UE的硬體及/或軟體)、至少部分地基於目標網路功能及/或至少部分地基於依賴性等來辨識對於多個ML模型(例如,基於通訊的ML模型)的支援。
在一些態樣中,ML模型可以包括一或多個決策樹模型、一或多個決策森林模型、一或多個迴旋神經網路模型、一或多個集群模型、一或多個線性回歸模型、一或多個前饋神經網路模型,及/或者一或多個遞迴神經網路模型等。模型組合可以包括一或多個類型的ML模型。
如由元件符號515所示,UE可以決定用於ML模型的相對於一或多個模型組合的一或多個效能參數。例如,UE可以至少部分地基於ML模型在第一模型組合中來決定與該ML模型相關聯的一或多個效能參數(例如,AI引擎效能、記憶體效能、量化(例如,模型輸出的細微性)及/或在產生輸出時的延遲)的第一集合。另外地或可替代地,UE可以至少部分地基於ML模型在第二模型組合(例如,該ML模型與不同於第一模型組合的一或多個ML模型的集合的組合)中來決定與該ML模型相關聯的一或多個效能參數的第二集合。
如由元件符號520所示,UE可以傳輸指示對一或多個模型組合的支援及/或用於ML模型(例如,用於通訊的ML模型)的相對於一或多個模型組合的一或多個效能參數的能力資訊,並且網路節點可以接收指示對一或多個模型組合的支援及/或用於ML模型(例如,用於通訊的ML模型)的相對於一或多個模型組合的一或多個效能參數的能力資訊。例如,能力資訊可以指示用於在模型組合中使用時的相應的ML模型的相應的效能參數。在一些態樣中,能力資訊可以指示用於模型組合中的第一ML模型的第一效能參數、用於模型組合中的第二ML模型的第二效能參數及/或用於模型組合中的第三ML模型的第三效能參數等。在一些態樣中,當被指示用於不同的模型組合時,用於ML模型的效能參數可以是不同的。
在一些態樣中,能力資訊可以至少部分地基於包括對受支援的模型組合的指示及/或對不受支援的模型組合的指示來指示對一或多個模型組合的支援。在一些態樣中,UE可以在能力報告中傳輸能力資訊。在一些態樣中,能力資訊包括UE無線電能力資訊、ML能力資訊及/或核心網路能力資訊,或者被包括在UE無線電能力資訊、ML能力資訊及/或核心網路能力資訊中。在一些態樣中,UE可以將能力資訊傳輸給第一網路節點以供轉發給第二網路節點。
在一些態樣中,模型組合可以是至少部分地基於與RAN網路節點相關聯的ML模型的第一集合、與核心網路網路節點相關聯的ML模型的第二集合及/或與應用伺服器相關聯的ML模型的第三集合的。在一些態樣中,模型組合的每個ML模型是與RAN網路節點、核心網路網路節點或應用伺服器中的僅一項相關聯的。
在一些態樣中,UE可以至少部分地基於包括一或多個指示來指示一或多個效能參數。例如,一或多個指示可以包括ML模型的相對於模型組合的效能度量的集合的值的雜湊、映射到效能度量的集合的值的指示符(例如,映射指示符),或ML模型的相對於模型組合的效能類別。在一些態樣中,指示符可以至少部分地基於以下各項來映射到效能度量的集合的值:通訊協定,及/或至少部分地基於UE及/或被配置為與UE進行通訊的網路節點的定義。在一些態樣中,指示符可以至少部分地基於定義來映射到效能度量的集合的值,該定義是至少部分地基於核心網路節點及/或RAN網路節點(例如,其是與ML模型相關聯的)的。
在一些態樣中,一或多個效能參數指示在ML模型在模型組合中使用時可用於應用到ML模型的處理資源的值、在ML模型在模型組合中使用時可用於應用到ML模型的記憶體資源、在ML模型在模型組合中使用時的ML模型的量化,及/或在使用模型組合中的相關聯的ML模型時的延遲。
在一些態樣中,UE可以經由RRC訊息或另一類型的通訊來傳輸能力資訊。在一些態樣中,RRC訊息或其他類型的通訊可以包括對受UE支援或不受UE支援的一或多個模型組合的集合的指示。在一些態樣中,RRC訊息或其他類型的通訊可以包括對要包括在模型組合中的受支援的ML模型的最大數量的指示。在一些態樣中,RRC訊息或其他類型的通訊可以包括對第一模型組合的指示,該對第一模型組合的指示包括對與模型組合的第一ML模型相關聯的模型參數的第一指示。對第一模型組合的指示可以包括對與模型組合的第二ML模型相關聯的模型參數的第二指示。在一些態樣中,RRC訊息或其他類型的通訊可以包括對第二模型組合的指示,對第二模型組合的指示包括對與第二模型組合的第三ML模型相關聯的模型參數的第三指示以及對與第二模型組合的第四ML模型相關聯的模型參數的第四指示。在一些態樣中,第一ML模型或第二ML模型可以是與第三ML模型或第四ML模型相同的ML模型,其中至少部分地基於相同的ML模型用在不同的模型組合中,相同的ML模型具有對模型參數的不同指示。例如,第一ML模型和第三ML模型可以是相同的ML模型,對模型參數的第一指示可以是與一或多個值的第一集合相關聯的,模型參數的第三指示可以是與一或多個值的第二集合相關聯的,並且一或多個值的第一集合可以不同於一或多個值的第二集合。
如由元件符號525所示,網路節點可以將能力資訊轉發給一或多個網路節點中的額外的網路節點(例如,核心網路節點或RAN網路節點)。例如,網路節點可以至少部分地基於額外的網路節點與一或多個模型組合的ML模型相關聯來將能力資訊轉發給額外的網路節點。例如,核心網路節點可以控制、支援與用於較高層的通訊(例如,L3或以上)的ML模型相關聯的操作,及/或可以受與用於較高層的通訊(例如,L3或以上)的ML模型相關聯的操作影響。類似地,RAN網路節點可以控制、支援與用於較低層的通訊(例如,L2或以下)的ML模型相關聯的操作,及/或可以受與用於較低層的通訊(例如,L2或以下)的ML模型相關聯的操作影響。
在一些態樣中,網路節點可以在轉發給額外的網路節點之前修改能力資訊(例如,添加或移除其一部分)。例如,能力資訊的第一部分可以意欲用於網路節點,並且能力資訊的第二部分可以意欲用於額外的網路節點(例如,核心網路網路節點或額外的RAN網路節點)。網路節點可以僅轉發能力資訊的意欲(例如,經由目的辨識及/或至少部分地基於能力資訊的類型)用於額外的網路節點的部分。
如由元件符號530所示,網路節點可以辨識模型組合以供UE用於通訊。網路節點可以至少部分地基於能力資訊來辨識模型組合。在一些態樣中,網路節點可以至少部分地基於模型組合的ML模型的一或多個效能參數來辨識模型組合,以最佳化通訊效率及/或功耗。
例如,網路節點可以辨識第一模型組合,若UE能夠為第一模型組合的每個ML模型提供完整的資源,則第一模型組合將提供最高量的通訊效率。然而,至少部分地基於UE指示第一模型組合的ML模型中的一或多個ML模型可能已經減少了可用的資源(例如,至少部分地基於爭用資源的ML模型),第一模型組合可以不提供最高量的通訊效率。例如,第二模型組合可以包括ML模型的不同集合,若第二模型組合和第一模型組合兩者具有可用的完整資源,則該ML模型的不同集合可能不像第一模型組合中的彼等ML模型一樣高效,其中UE指示將會導致第二模型組合提供比第一模型組合更高量的通訊效率的用於第二模型組合的模型的可用資源的量。如此,網路節點可以至少部分地基於可用於不同模型組合的ML模型的資源以及經由使用具有可用於ML模型的資源的ML模型獲得的通訊效率的量來選擇模型組合。
如由元件符號535所示,UE可以接收對模型組合的指示,並且網路節點可以傳輸對模型組合的指示。例如,UE可以接收至少部分地基於能力資訊的對模型組合的指示。如此,UE可以接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的指示。例如,UE可以接收對使用屬於所指示的模型組合的ML模型的指示。
如由元件符號540所示,UE和網路節點可以至少部分地基於模型組合的ML模型來進行通訊。在一些態樣中,UE可以使用所選擇的模型組合來配置UE的無線通訊(例如,RAN配置)。例如,至少部分地基於所選擇的模型組合,UE可以配置連接操作(例如,隨機存取通道(RACH)或實體RACH(PRACH)配置)、訊務管理操作、時序同步操作、量測操作、報告操作(例如,通道狀態資訊(CSI)報告)、參考信號配置、交遞操作及/或資源配置操作等。
在一些態樣中,至少部分地基於ML模型的通訊可以包括應用模型組合的ML模型以提高通訊效率。UE可以將ML模型的集合應用到一或多個網路功能,諸如,RRM量測、CSI報告及/或細胞重選等。
至少部分地基於UE指示與其他ML模型組合使用時的ML模型的效能參數,UE可以為網路節點提供具有改良的準確性的對ML模型的效能的指示。如此,網路節點可以配置UE以使用至少部分地基於改良的準確性的ML模型的組合,使得ML模型的效能可以足以提高通訊效率及/或節約功率、通訊、網路及/或計算資源,該功率、通訊、網路及/或計算資源可能已經在其他態樣被消耗以嘗試使用具有進一步降低的效能的額外的ML模型。
如上文所指出的,圖5是作為實例來提供的。其他實例可以不同於關於圖5所描述的實例。例如,結合圖5所描述的操作中的一或多個操作可以被省略或者由額外的節點(例如,網路節點或UE)來執行。
圖6是根據本案內容的與用於ML模型的組合的參數相關聯的實例600的示意圖。結合圖6,一或多個網路節點(例如,基地站110、核心網路節點、CU、DU及/或RU)可以與UE(例如,UE 120)進行通訊。在一些態樣中,網路節點和UE可以是無線網路(例如,無線網路100)的部分。UE和網路節點在圖6中所示的操作之前可能已經建立了無線連接。
如圖6中所示,對用於ML模型的組合的效能參數605(例如,效能類別)的指示可以是至少部分地基於對效能參數605的指示到參數610的集合以及參數的集合的效能度量值615的集合的映射。例如,對當在第一模型組合中時第一ML模型是與效能指示符
A(例如,效能類別
A)相關聯的指示指示當在第一模型組合中使用時第一ML模型預期表現出與效能指示符
A相關聯的參數610的集合的效能值615(例如,與指示符
A在同一行中的效能值)。類似地,對當在第二模型組合中時第一ML模型是與效能指示符
C相關聯的指示指示當在第二模型組合中使用時第一ML模型預期表現出與效能指示符
C相關聯的參數610的集合的效能值615(例如,與指示符
C在同一行中的效能值)。其他效能指示符映射到效能值的其他組合,並且可以是與一或多個模型組合中的其他ML模型(而不僅僅是第一ML模型)相關聯的。
在一些態樣中,效能參數605可以類似地包括參數610的集合的值的雜湊。如此,當與將顯式地指示參數610的集合之每一者參數(而沒有雜湊)所需的管理負擔的量相比時,對效能參數605的指示可以使用減少量的管理負擔。在一些態樣中,指示符可以包括與指示符相關聯的位元值,或可以包括具有與每個候選指示符相關聯的位元的位元映像。
在一些態樣中,能力資訊可以指示用於每個指示的模型組合內的ML模型的效能指示符。例如,能力資訊可以包括指示全部被報告的模型組合的對模型組合集合的指示。模型組合集合的元素可以是UE支援的模型組合。對於模型組合(例如,對於每個模型組合),UE可以指示模型組合的ML模型的列表以及一或多個模型參數。一或多個模型參數可以包括用於所包括的ML模型的模型辨識和ML模型的效能指示符(例如,用於所包括的ML模型之每一者ML模型的效能指示符)。
如上文所指出的,圖6是作為實例來提供的。其他實例可以不同於關於圖6所描述的實例。
圖7是根據本案內容的與用於ML模型的組合的參數相關聯的實例700的示意圖。結合圖7,一或多個網路節點(例如,基地站110、核心網路節點、CU、DU及/或RU)可以與UE(例如,UE 120)進行通訊。在一些態樣中,網路節點和UE可以是無線網路(例如,無線網路100)的部分。UE和網路節點在圖7中所示的操作之前可能已經建立了無線連接。
如圖7中所示,能力資訊可以指示UE支援多達四個ML模型的模型組合。模型組合列表可以包括第一模型組合705、第二模型組合710、第三模型組合715、第四模型組合720、第五模型組合725,及/或第六模型組合730等。在一些態樣中,模型組合可以具有統一數量的模型辨識(ID),或者模型組合可以具有不同數量的模型ID。例如,每個模型組合可以具有相同數量的模型ID,或者一些模型組合可以具有不同數量的模型ID。
能力資訊可以指示當用在第一組合705中時,模型辨識(ID)1(例如,與模型ID 1相關聯的ML模型)具有效能指示符1,模型ID 2具有效能指示符2,模型ID 3具有效能指示符3,並且模型ID 4具有效能指示符4。效能指示符可以映射到相同或不同的效能參數。例如,效能指示符1和3可以是圖6的指示符
A,效能指示符2可以是圖6的指示符
B,及/或效能指示符4可以是圖6的指示符
C,其中每個效能指示符是與一或多個效能值的集合相關聯的。
類似地,第二模型組合710、第三模型組合715、第四模型組合720、第五模型組合725及/或第六模型組合730可以指示模型組合的模型ID以及相關聯的指示符。在一些態樣中,當在不同的組合中使用時,至少部分地基於在不同的組合中使用的其他ML模型,模型ID具有映射到不同的效能值的相關聯的指示符。在一些態樣中,當在不同的組合中使用時,至少部分地基於在不同的組合中使用的其他ML模型,模型ID具有映射到相同的效能值的相關聯的指示符。
如上文所指出的,圖7被提供作為實例。其他實例可以不同於關於圖7所描述的實例。
圖8是圖示根據本案內容的例如由UE執行的示例性過程800的示意圖。示例性過程800是其中UE(例如,UE 120)執行與用於ML模型的組合的效能指示符相關聯的操作的實例。
如圖8中所示,在一些態樣中,過程800可以包括:傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數(方塊810)。例如,如前述,UE(例如,使用圖10中圖示的通訊管理器140及/或傳輸元件1004)可以傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。
如圖8中進一步所示,在一些態樣中,過程800可以包括:接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示(方塊820)。例如,如前述,UE(例如,使用如圖10中所圖示的通訊管理器140及/或接收元件1002)可以接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
過程800可以包括額外的態樣,諸如,如下文所描述的及/或結合本文中其他地方所描述的一或多個其他過程的任何單個態樣或態樣的任何組合。
在第一態樣中,一或多個效能參數中的效能參數包括以下各項中的一項或多項:ML模型的相對於模型組合的效能度量的集合的值的雜湊、映射到效能度量的集合的值的指示符,或ML模型的相對於模型組合的效能類別。
在第二態樣中,單獨地或結合第一態樣,指示符至少部分地基於以下各項中的一項或多項來映射到效能度量的集合的值:通訊協定,或者至少部分地基於UE或被配置為與UE進行通訊的網路節點中的一項或多項的定義。
在第三態樣中,單獨地或結合第一和第二態樣中的一項或多項,一或多個效能參數指示用於以下各項中的一項或多項的值:可用於應用到ML模型的處理資源、可用於應用到ML模型的記憶體資源、ML模型的量化,或在使用相關聯的ML模型時的延遲。
在第四態樣中,單獨地或結合第一至第三態樣中的一項或多項,傳輸能力資訊包括:經由RRC訊息來傳輸能力資訊。
在第五態樣中,單獨地或結合第一至第四態樣中的一項或多項,RRC訊息包括以下各項中的一項或多項:對一或多個模型組合的集合的指示;對模型組合的指示,其包括:對與模型組合的ML模型相關聯的模型參數的第一指示,其中ML模型是第一ML模型,以及對與模型組合的第二ML模型相關聯的模型參數的第二指示;或對額外的模型組合的指示,其包括:對與額外的模型組合的第三ML模型相關聯的模型參數的第三指示,以及對與額外的模型組合的第四ML模型相關聯的模型參數的第四指示。
在第六態樣中,單獨地或結合第一至第五態樣中的一項或多項,第一ML模型和第三ML模型是相同的ML模型,其中對模型參數的第一指示是與一或多個值的第一集合相關聯的,其中對模型參數的第三指示是與一或多個值的第二集合相關聯的,並且其中一或多個值的第一集合不同於一或多個值的第二集合。
在第七態樣中,單獨地或結合第一至第六態樣中的一項或多項,能力資訊包括以下各項中的一項或多項:UE無線電能力資訊、ML能力資訊或核心網路能力資訊。
在第八態樣中,單獨地或結合第一至第七態樣中的一項或多項,傳輸能力資訊包括:將能力資訊傳輸給第一網路節點以供轉發給第二網路節點。
在第九態樣中,單獨地或結合第一至第八態樣中的一項或多項,ML模型的一或多個模型組合是至少部分地基於以下各項中的一項或多項的:與無線電存取網路(RAN)網路節點相關聯的ML模型的第一集合、與核心網路(CN)網路節點相關聯的ML模型的第二集合,或與應用伺服器相關聯的ML模型的第三集合。
在第十態樣中,單獨地或結合第一至第九態樣中的一項或多項,過程800包括:傳輸以下各項中的一項或多項:對受支援的模型組合的指示,或對不受支援的模型組合的指示。
儘管圖8圖示過程800的示例性方塊,但是在一些態樣中,過程800可以包括相比於圖8中所示的方塊的額外的方塊、更少的方塊、不同的方塊或不同安排的方塊。另外地或可替代地,過程800的方塊中的兩個或更多個可以被並存執行。
圖9是圖示根據本案內容的例如由網路節點執行的示例性過程900的示意圖。示例性過程900是其中網路節點(例如,基地站110及/或圖5的網路節點)執行與用於ML模型的組合的效能指示符相關聯的操作的實例。
如圖9中所示,在一些態樣中,過程900可以包括:接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數(方塊910)。例如,如前述,網路節點(例如,使用圖11中圖示的通訊管理器150及/或接收元件1102)可以接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。
如圖9中進一步所示,在一些態樣中,過程900可以包括:傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示(方塊920)。例如,如前述,網路節點(例如,使用如圖11中所圖示的通訊管理器150及/或傳輸元件1104)可以傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
過程900可以包括額外的態樣,諸如,如下文所描述的及/或結合本文中其他地方所描述的一或多個其他過程的任何單個態樣或態樣的任何組合。
在第一態樣中,一或多個效能參數中的效能參數包括以下各項中的一項或多項:ML模型的相對於模型組合的效能度量的集合的值的雜湊、映射到效能度量的集合的值的指示符,或ML模型的相對於模型組合的效能類別。
在第二態樣中,單獨地或結合第一態樣,指示符至少部分地基於以下各項中的一項或多項來映射到效能度量的集合的值:通訊協定,或者至少部分地基於UE或被配置為與UE進行通訊的網路節點中的一項或多項的定義。
在第三態樣中,單獨地或結合第一和第二態樣中的一項或多項,一或多個效能參數指示用於以下各項中的一項或多項的值:可用於應用到ML模型的處理資源、可用於應用到ML模型的記憶體資源、ML模型的量化,或在使用相關聯的ML模型時的延遲。
在第四態樣中,單獨地或結合第一至第三態樣中的一項或多項,接收能力資訊包括:經由RRC訊息來接收能力資訊。
在第五態樣中,單獨地或結合第一至第四態樣中的一項或多項,RRC訊息包括以下各項中的一項或多項:對一或多個模型組合的集合的指示;對模型組合的指示,其包括:對與模型組合的ML模型相關聯的模型參數的第一指示,其中ML模型是第一ML模型,以及對與模型組合的第二ML模型相關聯的模型參數的第二指示;或對額外的模型組合的指示,其包括:對與額外的模型組合的第三ML模型相關聯的模型參數的第三指示,以及對與額外的模型組合的第四ML模型相關聯的模型參數的第四指示。
在第六態樣中,單獨地或結合第一至第五態樣中的一項或多項,第一ML模型和第三ML模型是相同的ML模型,其中對模型參數的第一指示是與一或多個值的第一集合相關聯的,其中對模型參數的第三指示是與一或多個值的第二集合相關聯的,並且其中一或多個值的第一集合不同於一或多個值的第二集合。
在第七態樣中,單獨地或結合第一至第六態樣中的一項或多項,能力資訊包括以下各項中的一項或多項:UE無線電能力資訊、ML能力資訊或核心網路能力資訊。
在第八態樣中,單獨地或結合第一至第七態樣中的一項或多項,過程900包括:將能力資訊的至少一部分轉發給額外的網路節點。
在第九態樣中,單獨地或結合第一至第八態樣中的一項或多項,ML模型的一或多個模型組合是至少部分地基於以下各項中的一項或多項的:與RAN網路節點相關聯的ML模型的第一集合、與CN網路節點相關聯的ML模型的第二集合,或與應用伺服器相關聯的ML模型的第三集合。
在第十態樣中,單獨地或結合第一至第九態樣中的一項或多項,過程900包括:接收以下各項中的一項或多項:對受支援的模型組合的指示,或對不受支援的模型組合的指示。
儘管圖9圖示過程900的示例性方塊,但是在一些態樣中,過程900可以包括相比於圖9中所示的方塊的額外的方塊、更少的方塊、不同的方塊或不同安排的方塊。另外地或可替代地,過程900的方塊中的兩個或更多個方塊可以被並存執行。
圖10是用於無線通訊的示例性裝置1000的示意圖。裝置1000可以是UE,或者UE可以包括裝置1000。在一些態樣中,裝置1000包括接收元件1002和傳輸元件1004,其可以與彼此進行通訊(例如,經由一或多個匯流排及/或一或多個其他元件)。如所示,裝置1000可以使用接收元件1002和傳輸元件1004與另一裝置1006(諸如,UE、基地站或另一無線通訊設備)進行通訊。如進一步所示,裝置1000可以包括通訊管理器1008(例如,通訊管理器140)。通訊管理器1008可以將控制信號傳遞傳輸給傳輸元件1004,及/或可以經由接收元件1002來接收控制信號傳遞,以控制裝置1000的通訊。
在一些態樣中,裝置1000可以被配置為執行本文中結合圖5-圖7所描述的一或多個操作。另外地或可替代地,裝置1000可以被配置為執行本文中描述的一或多個過程,諸如,圖8的過程800。在一些態樣中,裝置1000及/或圖10中所示的一或多個元件可以包括結合圖2所描述的UE的一或多個元件。另外地或可替代地,圖10中所示的一或多個元件可以被實現在結合圖2所描述的一或多個元件內。另外地或可替代地,元件的集合中的一或多個元件可以被至少部分地實現為被儲存在記憶體中的軟體。例如,元件(或元件的部分)可以被實現為被儲存在非暫時性電腦可讀取媒體中的並且由控制器或處理器可執行以執行元件的功能或操作的指令或代碼。
接收元件1002可以從裝置1006接收通訊,諸如參考信號、控制資訊、資料通訊或其組合。接收元件1002可以向裝置1000的一或多個其他元件提供接收的通訊。在一些態樣中,接收元件1002可以對接收的通訊執行信號處理(諸如,濾波、放大、解調、類比-數位轉換、解多工、解交錯、解映射、均衡化、干擾消除或解碼等),並且可以向裝置1000的一或多個其他元件提供經處理的信號。在一些態樣中,接收元件1002可以包括結合圖2所描述的UE的一或多個天線、數據機、解調器、MIMO偵測器、接收處理器、控制器/處理器、記憶體或其組合。
傳輸元件1004可以向裝置1006傳輸通訊,諸如,參考信號、控制資訊、資料通訊或其組合。在一些態樣中,裝置1000的一或多個其他元件可以產生通訊,並且可以向傳輸元件1004提供經產生的通訊,以供傳輸給裝置1006。在一些態樣中,傳輸元件1004可以對經產生的通訊執行信號處理(諸如,濾波、放大、調制、數位-類比轉換、多工、交錯、映射或編碼等),並且可以向裝置1006傳輸經處理的信號。在一些態樣中,傳輸元件1004可以包括結合圖2所描述的UE的一或多個天線、數據機、調制器、傳輸MIMO處理器、傳輸處理器、控制器/處理器、記憶體或其組合。在一些態樣中,傳輸元件1004可以與接收元件1002共置在收發機中。
傳輸元件1004可以傳輸指示對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。接收元件1002可以接收對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
傳輸元件1004可以傳輸以下各項中的一項或多項:對受支援的模型組合的指示,或對不受支援的模型組合的指示。
圖10中所示的元件的數量和佈置是作為實例來提供的。在實踐中,可以有相比於圖10所示的彼等元件的額外的元件、更少的元件、不同的元件或不同安排的元件。此外,圖10中所示的兩個或更多個元件可以被實現在單個元件內,或者圖10中所示的單個元件可以被實現為多個、分散式元件。另外地或可替代地,圖10中所示的(一或多個)元件的集合可以執行被描述為由圖10中所示的元件的另一集合所執行的一或多個功能。
圖11是用於無線通訊的示例性裝置1100的示意圖。裝置1100可以是網路節點,或者網路節點可以包括裝置1100。在一些態樣中,裝置1100包括接收元件1102和傳輸元件1104,其可以與彼此進行通訊(例如,經由一或多個匯流排及/或一或多個其他元件)。如所示,裝置1100可以使用接收元件1102和傳輸元件1104與另一裝置1106(諸如UE、基地站或另一無線通訊設備)進行通訊。如進一步所示,裝置1100可以包括通訊管理器1108(例如,通訊管理器150)。通訊管理器1108可以將控制信號傳遞傳輸給傳輸元件1104,及/或可以經由接收元件1102來接收控制信號傳遞,以控制裝置1100的通訊。
在一些態樣中,裝置1100可以被配置為執行本文中結合圖5-圖7所描述的一或多個操作。另外地或可替代地,裝置1100可以被配置為執行本文中描述的一或多個過程,諸如,圖9的過程900。在一些態樣中,裝置1100及/或圖11中所示的一或多個元件可以包括結合圖2所描述的網路節點的一或多個元件。另外地或可替代地,圖11中所示的一或多個元件可以被實現在結合圖2所描述的一或多個元件內。另外地或可替代地,元件的集合中的一或多個元件可以被至少部分地實現為被儲存在記憶體中的軟體。例如,元件(或元件的部分)可以被實現為被儲存在非暫時性電腦可讀取媒體中的並且由控制器或處理器可執行以執行元件的功能或操作的指令或代碼。
接收元件1102可以從裝置1106接收通訊,諸如參考信號、控制資訊、資料通訊或其組合。接收元件1102可以向裝置1100的一或多個其他元件提供接收的通訊。在一些態樣中,接收元件1102可以對接收的通訊執行信號處理(諸如,濾波、放大、解調、類比-數位轉換、解多工、解交錯、解映射、均衡化、干擾消除或解碼等),並且可以向裝置1100的一或多個其他元件提供經處理的信號。在一些態樣中,接收元件1102可以包括結合圖2所描述的網路節點的一或多個天線、數據機、解調器、MIMO偵測器、接收處理器、控制器/處理器、記憶體或其組合。
傳輸元件1104可以向裝置1106傳輸通訊,諸如,參考信號、控制資訊、資料通訊或其組合。在一些態樣中,裝置1100的一或多個其他元件可以產生通訊,並且可以向傳輸元件1104提供經產生的通訊,以供傳輸給裝置1106。在一些態樣中,傳輸元件1104可以對經產生的通訊執行信號處理(諸如,濾波、放大、調制、數位-類比轉換、多工、交錯、映射或編碼等),並且可以向裝置1106傳輸經處理的信號。在一些態樣中,傳輸元件1104可以包括結合圖2所描述的網路節點的一或多個天線、數據機、調制器、傳輸MIMO處理器、傳輸處理器、控制器/處理器、記憶體或其組合。在一些態樣中,傳輸元件1104可以與接收元件1102共置在收發機中。
接收元件1102可以接收指示由UE對於ML模型的一或多個模型組合的支援的能力資訊,其中能力資訊亦指示一或多個ML模型中的一個ML模型相對於包括該ML模型的一或多個模型組合中的一個模型組合的一或多個效能參數。傳輸元件1104可以傳輸對至少部分地基於能力資訊來使用ML模型中的一或多個ML模型的一或多個指示。
通訊管理器1108及/或傳輸元件1104可以將能力資訊的至少一部分轉發給額外的網路節點。
接收元件1102可以接收以下各項中的一項或多項:對受支援的模型組合的指示,或對不受支援的模型組合的指示。
圖11中所示的元件的數量和佈置是作為實例來提供的。在實踐中,可以有相比於圖11所示的彼等元件的額外的元件、更少的元件、不同的元件或不同安排的元件。此外,圖11中所示的兩個或更多個元件可以被實現在單個元件內,或者圖11中所示的單個元件可以被實現為多個、分散式元件。另外地或可替代地,圖11中所示的(一或多個)元件的集合可以執行被描述為由圖11中所示的元件的另一集合所執行的一或多個功能。
下文提供了本案內容的一些態樣的綜述:
態樣1:一種由使用者設備(UE)執行的無線通訊的方法,包括以下步驟:傳輸指示對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中該能力資訊亦指示該等ML模型中的一個ML模型相對於包括該ML模型的該一或多個模型組合中的一個模型組合的一或多個效能參數;及接收對至少部分地基於該能力資訊來使用該等ML模型中的一或多個ML模型的一或多個指示。
態樣2:根據態樣1之方法,其中該一或多個效能參數中的效能參數包括以下各項中的一項或多項:該ML模型的相對於該模型組合的效能度量的集合的值的雜湊、映射到該效能度量的集合的該等值的指示符,或該ML模型的相對於該模型組合的效能類別。
態樣3:根據態樣2之方法,其中該指示符至少部分地基於以下各項中的一項或多項來映射到該效能度量的集合的該等值:通訊協定,或者至少部分地基於該UE或被配置為與該UE進行通訊的網路節點中的一項或多項的定義。
態樣4:根據態樣1-3中的任一項之方法,其中該一或多個效能參數指示用於以下各項中的一項或多項的值:可用於應用到該ML模型的處理資源、可用於應用到該ML模型的記憶體資源、該ML模型的量化,或在使用相關聯的ML模型時的延遲。
態樣5:根據態樣1-4中的任一項之方法,其中傳輸該能力資訊包括:經由無線電資源控制(RRC)訊息來傳輸該能力資訊。
態樣6:根據態樣5之方法,其中該RRC訊息包括以下各項中的一項或多項:對該一或多個模型組合的集合的指示;對該模型組合的指示,其包括:對與該模型組合的該ML模型相關聯的模型參數的第一指示,其中該ML模型是第一ML模型,以及對與該模型組合的第二ML模型相關聯的模型參數的第二指示;或對額外的模型組合的指示,其包括:對與該額外的模型組合的第三ML模型相關聯的模型參數的第三指示,以及對與該額外的模型組合的第四ML模型相關聯的模型參數的第四指示。
態樣7:根據態樣6之方法,其中該第一ML模型和該第三ML模型是相同的ML模型,其中該對模型參數的第一指示是與一或多個值的第一集合相關聯的,其中該對模型參數的第三指示是與一或多個值的第二集合相關聯的,並且其中一或多個值的該第一集合不同於一或多個值的該第二集合。
態樣8:根據態樣1-7中的任一項之方法,其中該能力資訊包括以下各項中的一項或多項:UE無線電能力資訊、ML能力資訊,或核心網路能力資訊。
態樣9:根據態樣1-8中的任一項之方法,其中傳輸該能力資訊包括:將該能力資訊傳輸給第一網路節點以供轉發給第二網路節點。
態樣10:根據態樣1-9中的任一項之方法,其中該等ML模型的該一或多個模型組合是至少部分地基於以下各項中的一項或多項的:與無線電存取網路(RAN)網路節點相關聯的該等ML模型的第一集合、與核心網路(CN)網路節點相關聯的該等ML模型的第二集合,或與應用伺服器相關聯的該等ML模型的第三集合。
態樣11:根據態樣1-10中的任一項之方法,亦包括以下步驟:傳輸以下各項中的一項或多項:對受支援的模型組合的指示,或對不受支援的模型組合的指示。
態樣12:一種由網路節點執行的無線通訊的方法,包括以下步驟:接收指示由使用者設備(UE)對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中該能力資訊亦指示該一或多個ML模型中的一個ML模型相對於包括該ML模型的該一或多個模型組合中的一個模型組合的一或多個效能參數;及傳輸對至少部分地基於該能力資訊來使用該等ML模型中的一或多個ML模型的一或多個指示。
態樣13:根據態樣12之方法,其中該一或多個效能參數中的效能參數包括以下各項中的一項或多項:該ML模型的相對於該模型組合的效能度量的集合的值的雜湊、映射到該效能度量的集合的該等值的指示符,或該ML模型的相對於該模型組合的效能類別。
態樣14:根據態樣12-13中的任一項之方法,其中該指示符至少部分地基於以下各項中的一項或多項來映射到該效能度量的集合的該等值:通訊協定,或者至少部分地基於該UE或被配置為與該UE進行通訊的網路節點中的一項或多項的定義。
態樣15:根據態樣12-14中的任一項之方法,其中該一或多個效能參數指示用於以下各項中的一項或多項的值:可用於應用到該ML模型的處理資源、可用於應用到該ML模型的記憶體資源、該ML模型的量化,或在使用相關聯的ML模型時的延遲。
態樣16:根據態樣12-15中的任一項之方法,其中接收該能力資訊包括:經由無線電資源控制(RRC)訊息來接收該能力資訊。
態樣17:根據態樣16之方法,其中該RRC訊息包括以下各項中的一項或多項:對該一或多個模型組合的集合的指示;對該模型組合的指示,其包括:對與該模型組合的該ML模型相關聯的模型參數的第一指示,其中該ML模型是第一ML模型,以及對與該模型組合的第二ML模型相關聯的模型參數的第二指示;或對額外的模型組合的指示,其包括:對與該額外的模型組合的第三ML模型相關聯的模型參數的第三指示,以及對與該額外的模型組合的第四ML模型相關聯的模型參數的第四指示。
態樣18:根據態樣17之方法,其中該第一ML模型和該第三ML模型是相同的ML模型,其中該對模型參數的第一指示是與一或多個值的第一集合相關聯的,其中該對模型參數的第三指示是與一或多個值的第二集合相關聯的,並且其中一或多個值的該第一集合不同於一或多個值的該第二集合。
態樣19:根據態樣12-18中的任一項之方法,其中該能力資訊包括以下各項中的一項或多項:UE無線電能力資訊、ML能力資訊,或核心網路能力資訊。
態樣20:根據態樣12-19中的任一項之方法,亦包括以下步驟:將該能力資訊的至少一部分轉發給額外的網路節點。
態樣21:根據態樣12-20中的任一項之方法,其中該等ML模型的該一或多個模型組合是至少部分地基於以下各項中的一項或多項的:與無線電存取網路(RAN)網路節點相關聯的該等ML模型的第一集合、與核心網路(CN)網路節點相關聯的該等ML模型的第二集合,或與應用伺服器相關聯的該等ML模型的第三集合。
態樣22:根據態樣12-21中的任一項之方法,亦包括以下步驟:接收以下各項中的一項或多項:對受支援的模型組合的指示,或對不受支援的模型組合的指示。
態樣23:一種用於設備處的無線通訊的裝置,包括:處理器;記憶體,其與該處理器耦合;及指令,其被儲存在該記憶體中並且由該處理器可執行以使該裝置執行根據態樣1-22中的一項或多項之方法。
態樣24:一種用於無線通訊的設備,包括:記憶體和被耦合到該記憶體的一或多個處理器,該一或多個處理器被配置為執行根據態樣1-22中的一項或多項之方法。
態樣25:一種用於無線通訊的裝置,包括:用於執行根據態樣1-22中的一項或多項之方法的至少一個構件。
態樣26:一種儲存用於無線通訊的代碼的非暫時性電腦可讀取媒體,該代碼包括:由處理器可執行以執行根據態樣1-22中的一項或多項之方法的指令。
態樣27:一種儲存用於無線通訊的指令的集合的非暫時性電腦可讀取媒體,該等指令的集合包括:一或多個指令,其在被設備的一或多個處理器執行時,使該設備執行根據態樣1-22中的一項或多項之方法。
前述揭示內容提供了例示說明和描述,但是並非意欲是詳盡的或將態樣限制到所揭示的精確形式。修改和變化可以鑒於上述揭示內容而被做出或可以從各個態樣的實踐中獲取。
如本文中所使用的,術語「元件」意在被廣義地解釋為硬體及/或硬體與軟體的組合。無論是稱為軟體、韌體、中間軟體、微代碼、硬體描述語言或者其他,「軟體」應被廣泛地解釋為指令、指令集、代碼、程式碼片段、程式碼、程式、副程式、軟體模組、應用程式、軟體應用程式、套裝軟體、常式、子常式、物件、可執行檔案、執行執行緒、程序及/或函數等。如本文中所使用的,「處理器」被實現在硬體及/或硬體與軟體的組合中。將顯而易見的是,本文中所描述的系統及/或方法可以以不同形式的硬體及/或硬體與軟體的組合來實現。用於實現該等系統及/或方法的實際專門的控制硬體和軟體代碼並非各個態樣的限制。因此,本文中沒有參照特定的軟體代碼來描述系統及/或方法的操作和行為,因為熟習此項技術者將理解的是,軟體和硬體可以至少部分地基於本文中的描述來設計以實現系統及/或方法。
如本文中所使用的,取決於上下文,「滿足閾值」可以指大於閾值、大於或等於閾值、小於閾值、小於或等於閾值、等於閾值、不等於閾值等的值。
儘管具體的特徵組合在請求項中被記載及/或在說明書中被揭示,但是該等組合並非意欲限制各態樣的揭示。該等特徵中的很多特徵可以以非申請專利範圍中記載的及/或說明書中揭示的方式來被組合。各個態樣的揭示內容包括與請求項集合之每一者其他請求項組合的每個從屬請求項。如本文中所使用的,提及項目列表「中的至少一個」的短語是指彼等項目的任何組合,包括單個成員。作為實例,「a、b或c中的至少一個」意在涵蓋a、b、c、a+b、a+c、b+c和a+b+c,以及與同一元素的倍數的任何組合(例如,a+a、a+a+a、a+a+b、a+a+c、a+b+b、a+c+c、b+b、b+b+b、b+b+c、c+c和c+c+c,或a、b和c的任何其他排序)。
本文中所用的元素、動作或指令皆不應當被解釋為是關鍵的或必要的,除非有明確的描述。而且,如本文中所使用的,冠詞「一(a)」和「一種(an)」意在包括一或多個項目,並且可以與「一或多個」互換地使用。此外,如本文中所使用的,冠詞「該(the)」意欲包括結合冠詞「該」引用的一或多個項目,並且可以與「該一或多個」可互換地使用。此外,如本文中所使用的,術語「集合」和「群組」意在包括一或多個項目,並且可以與「一或多個」可互換地使用。在僅一個項目被預期的情況下,使用短語「僅一個」或類似的語言。而且,如本文中所使用的,術語「具有」、「擁有」、「有」等意在是開放性術語,其並不限制其修飾的元素(例如,「擁有」A的元素亦可以具有B)。此外,短語「基於」意在表示「至少部分地基於」,除非另有明確的說明。此外,如本文中所使用的,除非另有明確說明(例如,若與「要麼」或「中的僅一者」組合使用),否則術語「或」在以系列形式使用時意欲是包括性的,並且可以與「及/或」可互換地使用。
100:無線網路
102a:巨集細胞
102b:微微細胞
102c:毫微微細胞
110:基地站
110a:BS
110b:BS
110c:BS
110d:BS
120:UE
120a:UE
120b:UE
120c:UE
120d:UE
120e:UE
130:網路控制器
140:通訊管理器
150:通訊管理器
200:實例
212:資料來源
220:傳輸處理器
230:傳輸(TX)多輸入多輸出(MIMO)處理器
232a:數據機
232t:數據機
234a:天線
234t:天線
236:MIMO偵測器
238:接收處理器
239:資料槽
240:控制器/處理器
242:記憶體
244:通訊單元
246:排程器
252a:天線
252r:天線
254a:數據機
254r:數據機
256:MIMO偵測器
258:接收處理器
260:資料槽
262:資料來源
264:傳輸處理器
266:TX MIMO處理器
280:控制器/處理器
282:記憶體
284:外殼
290:控制器/處理器
292:記憶體
294:通訊單元
300:實例
305:SMO框架
310:CU
311:開放eNB(O-eNB)
315:非RT RIC
320:核心網路
325:近RT RAN RIC
330:DU
340:RU
400:實例
405:元件符號
410:元件符號
415:元件符號
500:實例
505:元件符號
510:元件符號
515:元件符號
520:元件符號
525:元件符號
530:元件符號
535:元件符號
540:元件符號
600:實例
605:效能參數
610:參數
615:效能值
700:實例
705:第一模型組合
710:第二模型組合
715:第三模型組合
720:第四模型組合
725:第五模型組合
730:第六模型組合
800:過程
810:方塊
820:方塊
900:過程
910:方塊
920:方塊
1000:裝置
1002:接收元件
1004:傳輸元件
1006:裝置
1008:通訊管理器
1100:裝置
1102:接收元件
1104:傳輸元件
1106:裝置
1108:通訊管理器
A:效能指示符
A1:介面
B:指示符
C:效能指示符
E2:介面
O1:介面
O2:介面
為了可以詳細地理解本案內容的上述特徵,可以有參照態樣的上文概述的較具體的描述,其中的一些在附圖中圖示。然而,要注意的是附圖僅圖示本案內容的某些典型態樣,並且因此不被視為對其範疇的限制,因為描述可以允許其他的同樣有效的態樣。不同附圖中的相同元件符號可以辨識相同或類似的元素。
圖1是圖示根據本案內容的無線網路的實例的示意圖。
圖2是圖示根據本案內容的在無線網路中與使用者設備(UE)進行通訊的基地站的實例的示意圖。
圖3是圖示根據本案內容的解聚的基地站架構的實例300的示意圖。
圖4是圖示根據本案內容的與傳送用於機器學習模型的UE能力相關聯的實例的示意圖。
圖5-圖7是圖示根據本案內容的與用於機器學習模型的組合的參數相關聯的實例的示意圖。
圖8和圖9是圖示根據本案內容的與用於機器學習模型的組合的參數相關聯的示例性過程的示意圖。
圖10和圖11是根據本案內容的用於無線通訊的示例性裝置的示意圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
500:實例
505:元件符號
510:元件符號
515:元件符號
520:元件符號
525:元件符號
530:元件符號
535:元件符號
540:元件符號
Claims (30)
- 一種用於無線通訊的使用者設備(UE),包括: 一記憶體;及 一或多個處理器,其被耦合到該記憶體,被配置為: 傳輸指示對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中該能力資訊亦指示該等ML模型中的一ML模型相對於包括該ML模型的該一或多個模型組合中的一模型組合的一或多個效能參數;及 接收對至少部分地基於該能力資訊來使用該等ML模型中的一或多個ML模型的一或多個指示。
- 根據請求項1之UE,其中該一或多個效能參數中的一效能參數包括以下各項中的一項或多項: 該ML模型的相對於該模型組合的效能度量的一集合的值的一雜湊, 映射到該效能度量的集合的該等值的一指示符,或 該ML模型的相對於該模型組合的一效能類別。
- 根據請求項2之UE,其中該指示符至少部分地基於以下各項中的一項或多項來映射到該效能度量的集合的該等值: 一通訊協定,或 至少部分地基於該UE或被配置為與該UE進行通訊的一網路節點中的一項或多項的一定義。
- 根據請求項1之UE,其中該一或多個效能參數指示用於以下各項中的一項或多項的值: 可用於應用到該ML模型的處理資源, 可用於應用到該ML模型的記憶體資源, 該ML模型的量化,或 在使用相關聯的ML模型時的延遲。
- 根據請求項1之UE,其中用於傳輸該能力資訊的該一或多個處理器被配置為: 經由一無線電資源控制(RRC)訊息來傳輸該能力資訊。
- 根據請求項5之UE,其中該RRC訊息包括以下各項中的一項或多項: 對該一或多個模型組合的一集合的一指示; 對該模型組合的一指示,其包括: 對與該模型組合的該ML模型相關聯的模型參數的一第一指示,其中該ML模型是一第一ML模型,以及 對與該模型組合的一第二ML模型相關聯的模型參數的一第二指示;或者 對一額外的模型組合的一指示,其包括: 對與該第二模型組合的一第三ML模型相關聯的模型參數的一第三指示,以及 對與該額外的模型組合的一第四ML模型相關聯的模型參數的一第四指示。
- 根據請求項6之UE,其中該第一ML模型和該第三ML模型是一相同的ML模型, 其中該對模型參數的第一指示是與一或多個值的一第一集合相關聯的, 其中該對模型參數的第三指示是與一或多個值的一第二集合相關聯的,並且 其中一或多個值的該第一集合不同於一或多個值的該第二集合。
- 根據請求項1之UE,其中該能力資訊包括以下各項中的一項或多項: UE無線電能力資訊, ML能力資訊,或 核心網路能力資訊。
- 根據請求項1之UE,其中用於傳輸該能力資訊的該一或多個處理器被配置為: 將該能力資訊傳輸給一第一網路節點以轉發給一第二網路節點。
- 根據請求項1之UE,其中該等ML模型的該一或多個模型組合是至少部分地基於以下各項中的一項或多項的: 與一無線電存取網路(RAN)網路節點相關聯的該等ML模型的一第一集合, 與一核心網路(CN)網路節點相關聯的該等ML模型的一第二集合,或 與一應用伺服器相關聯的該等ML模型的一第三集合。
- 根據請求項1之UE,其中該一或多個處理器亦被配置為傳輸以下各項中的一項或多項: 對受支援的模型組合的一指示,或 對不受支援的模型組合的一指示。
- 一種用於無線通訊的網路節點,包括: 一記憶體;及 一或多個處理器,其被耦合到該記憶體,被配置為: 接收指示由一使用者設備(UE)對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中該能力資訊亦指示該一或多個ML模型中的一ML模型相對於包括該ML模型的該一或多個模型組合中的一模型組合的一或多個效能參數;及 傳輸對至少部分地基於該能力資訊來使用該等ML模型中的一或多個ML模型的一或多個指示。
- 根據請求項12之網路節點,其中該一或多個效能參數中的一效能參數包括以下各項中的一項或多項: 該ML模型的相對於該模型組合的效能度量的一集合的值的一雜湊, 映射到該效能度量的集合的該等值的一指示符,或 該ML模型的相對於該模型組合的一效能類別。
- 根據請求項13之網路節點,其中該指示符至少部分地基於以下各項中的一項或多項來映射到該效能度量的集合的該等值: 一通訊協定,或 至少部分地基於該UE或被配置為與該UE進行通訊的一網路節點中的一項或多項的一定義。
- 根據請求項12之網路節點,其中該一或多個效能參數指示用於以下各項中的一項或多項的值: 可用於應用到該ML模型的處理資源, 可用於應用到該ML模型的記憶體資源, 該ML模型的量化,或 在使用相關聯的ML模型時的延遲。
- 根據請求項12之網路節點,其中用於接收該能力資訊的該一或多個處理器被配置為: 經由一無線電資源控制(RRC)訊息來傳輸該能力資訊。
- 根據請求項16之網路節點,其中該RRC訊息包括以下各項中的一項或多項: 對該一或多個模型組合的一集合的一指示; 對該模型組合的一指示,其包括: 對與該模型組合的該ML模型相關聯的模型參數的一第一指示,其中該ML模型是一第一ML模型,以及 對與該模型組合的一第二ML模型相關聯的模型參數的一第二指示;或者 對一額外的模型組合的一指示,其包括: 對與該第二模型組合的一第三ML模型相關聯的模型參數的一第三指示,以及 對與該第二模型組合的一第四ML模型相關聯的模型參數的一第四指示。
- 根據請求項17之網路節點,其中該第一ML模型和該第三ML模型是一相同的ML模型, 其中該對模型參數的第一指示是與一或多個值的一第一集合相關聯的, 其中該對模型參數的第三指示是與一或多個值的一第二集合相關聯的,並且 其中一或多個值的該第一集合不同於一或多個值的該第二集合。
- 根據請求項12之網路節點,其中該能力資訊包括以下各項中的一項或多項: UE無線電能力資訊, ML能力資訊,或 核心網路能力資訊。
- 根據請求項12之網路節點,其中該一或多個處理器亦被配置為: 將該能力資訊的至少一部分轉發給一額外的網路節點。
- 根據請求項12之網路節點,其中該等ML模型的該一或多個模型組合是至少部分地基於以下各項中的一項或多項的: 與一無線電存取網路(RAN)網路節點相關聯的該等ML模型的一第一集合, 與一核心網路(CN)網路節點相關聯的該等ML模型的一第二集合,或 與一應用伺服器相關聯的該等ML模型的一第三集合。
- 根據請求項12之網路節點,其中該一或多個處理器亦被配置為接收以下各項中的一項或多項: 對受支援的模型組合的一指示,或 對不受支援的模型組合的一指示。
- 一種由一使用者設備(UE)執行的無線通訊的方法,包括以下步驟: 傳輸指示對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中該能力資訊亦指示該等ML模型中的一ML模型相對於包括該ML模型的該一或多個模型組合中的一模型組合的一或多個效能參數;及 接收對至少部分地基於該能力資訊來使用該等ML模型中的一或多個ML模型的一或多個指示。
- 根據請求項23之方法,其中該一或多個效能參數中的一效能參數包括以下各項中的一項或多項: 該ML模型的相對於該模型組合的效能度量的一集合的值的一雜湊, 映射到該效能度量的集合的該等值的一指示符,或 該ML模型的相對於該模型組合的一效能類別。
- 根據請求項23之方法,其中傳輸該能力資訊之步驟包括以下步驟: 經由一無線電資源控制(RRC)訊息來傳輸該能力資訊。
- 根據請求項25之方法,其中該RRC訊息包括以下各項中的一項或多項: 對該一或多個模型組合的一集合的一指示; 對該模型組合的一指示,其包括: 對與該模型組合的該ML模型相關聯的模型參數的一第一指示,其中該ML模型是一第一ML模型,以及 對與該模型組合的一第二ML模型相關聯的模型參數的一第二指示;或者 對一額外的模型組合的一指示,其包括: 對與該第二模型組合的一第三ML模型相關聯的模型參數的一第三指示,以及 對與該第二模型組合的一第四ML模型相關聯的模型參數的一第四指示。
- 一種由一網路節點執行的無線通訊的方法,包括以下步驟: 接收指示由一使用者設備(UE)對於機器學習(ML)模型的一或多個模型組合的支援的能力資訊,其中該能力資訊亦指示該一或多個ML模型中的一ML模型相對於包括該ML模型的該一或多個模型組合中的一模型組合的一或多個效能參數;及 傳輸對至少部分地基於該能力資訊來使用該等ML模型中的一或多個ML模型的一或多個指示。
- 根據請求項27之方法,其中該一或多個效能參數中的一效能參數包括以下各項中的一項或多項: 該ML模型的相對於該模型組合的效能度量的一集合的值的一雜湊, 映射到該效能度量的集合的該等值的一指示符,或 該ML模型的相對於該模型組合的一效能類別。
- 根據請求項27之方法,其中接收該能力資訊之步驟包括以下步驟: 經由一無線電資源控制(RRC)訊息來傳輸該能力資訊。
- 根據請求項29之方法,其中該RRC訊息包括以下各項中的一項或多項: 對該一或多個模型組合的一集合的一指示; 對該模型組合的一指示,其包括: 對與該模型組合的該ML模型相關聯的模型參數的一第一指示,其中該ML模型是一第一ML模型,以及 對與該模型組合的一第二ML模型相關聯的模型參數的一第二指示;或者 對一額外的模型組合的一指示,其包括: 對與該第二模型組合的一第三ML模型相關聯的模型參數的一第三指示,以及 對與該第二模型組合的一第四ML模型相關聯的模型參數的一第四指示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/659,129 | 2022-04-13 | ||
US17/659,129 US20230336972A1 (en) | 2022-04-13 | 2022-04-13 | Performance indicators for combinations of machine learning models |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202341790A true TW202341790A (zh) | 2023-10-16 |
Family
ID=85776148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112106670A TW202341790A (zh) | 2022-04-13 | 2023-02-23 | 用於機器學習模型的組合的效能指示符 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230336972A1 (zh) |
TW (1) | TW202341790A (zh) |
WO (1) | WO2023201137A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10992331B2 (en) * | 2019-05-15 | 2021-04-27 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for AI use by mobile stations in wireless networks |
CN114175051A (zh) * | 2019-08-14 | 2022-03-11 | 谷歌有限责任公司 | 关于深度神经网络的基站-用户设备消息传递 |
US20210105611A1 (en) * | 2019-10-04 | 2021-04-08 | Qualcomm Incorporated | User equipment radio capability protection |
US11696119B2 (en) * | 2019-12-16 | 2023-07-04 | Qualcomm Incorporated | Neural network configuration for wireless communication system assistance |
-
2022
- 2022-04-13 US US17/659,129 patent/US20230336972A1/en active Pending
-
2023
- 2023-02-23 WO PCT/US2023/063166 patent/WO2023201137A1/en unknown
- 2023-02-23 TW TW112106670A patent/TW202341790A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20230336972A1 (en) | 2023-10-19 |
WO2023201137A1 (en) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230345475A1 (en) | Scheduling of an uplink transmission of multiple transport blocks | |
US20220321284A1 (en) | Indication of a resource pattern for frequency division multiplexing within a component carrier for a wireless multi hop network | |
TW202320571A (zh) | 用於傳呼時機的傳呼早期指示 | |
US20230336972A1 (en) | Performance indicators for combinations of machine learning models | |
US11895216B2 (en) | Application data units | |
WO2023206434A1 (en) | Unified transmission configuration indicator for a single frequency network | |
US20230421339A1 (en) | Indications of activity statuses of beams for a frequency resource range | |
US20230396394A1 (en) | Dynamic location tone reservation | |
WO2023168642A1 (en) | Antenna panel unavailability indication | |
WO2024011445A1 (en) | Timing advance signaling for multiple transmit receive points | |
WO2024020987A1 (en) | Non-active bandwidth parts for candidate cell operations in mobility | |
WO2023201619A1 (en) | Indication of simultaneous uplink transmission for multiple transmit receive points | |
WO2023206326A1 (en) | Uplink control multiplexing for multiple transmit receive points | |
US20240089724A1 (en) | Multiplexing at a forwarding node | |
US20230371017A1 (en) | Communications carried via a user equipment | |
US20240015581A1 (en) | Congestion control algorithms | |
WO2023147680A1 (en) | Source layer 2 identifier for path switching | |
US20240023061A1 (en) | Paging early indication responses | |
US20240155731A1 (en) | Releasing cells configured for layer 1/layer 2 mobility | |
US20230274181A1 (en) | Federated learning model splitting and combining | |
US20230052368A1 (en) | Reference signal received quality for fully loaded reference signals | |
US20240163739A1 (en) | Conditional primary secondary cell change configuration within a conditional cell addition or change configuration | |
WO2023184371A1 (en) | Common timing advance group for multiple transmit receive point operation | |
WO2023197103A1 (en) | Uplink power control for multiple transmit-receive points | |
US20230217414A1 (en) | Location of tracking reference signal availability information |