本公開涉及一種方法和系統(tǒng)，其用于改進在無線網絡系統(tǒng)中諸如用戶裝置ue這樣的裝置和諸如服務器或gnodeb、gnb這樣的設備中實施的基于雙側ai/ml的模型的建立，其中，通過發(fā)送用于所述裝置和所述設備之間的數(shù)據集共享的配置信息，所述配置信息提供關于至少要共享什么的指令，可產生所述雙側模型的高效的分開或順序訓練。

背景技術：

1、貫穿本說明書，對背景技術的任何討論都決不應被視為承認這種技術是眾所周知的，也不應構成該領域公知常識的一部分。

2、在至少第四代(4g)及第五代技術標準(5g)無線網絡中，基于人工智能(ai)/機器學習(ml)的服務實現(xiàn)的出現(xiàn)已推動了研究新用例和提出用于在所述網絡系統(tǒng)中引入增強的數(shù)據集共享策略的新的潛在服務要求的需求，特別是用于利用雙側ai/ml模型跨多個網絡元件(諸如用戶裝置(ue)和gnodeb(gnb))執(zhí)行聯(lián)合推理的新的潛在服務要求。

3、因此，ran3#94e中開始了新的研究項目(si)rp-213599“關于用于nr空中接口的智能(ai)/機器學習(ml)的研究”，其設置了目標以具體探索以下好處：利用實現(xiàn)支持基于ai/ml的算法的特征來增強空中接口，以提高性能和/或降低復雜度/開銷。在這里，si的目標是為未來利用ai/ml技術的空中接口用例奠定基礎，涵蓋例如信道狀態(tài)信息(csi)反饋增強(例如，開銷減少、精度改進)、波束管理(例如，在時間、空間域中進行波束預測以減少開銷和延遲)或位置精度增強。

4、基于此，在3gpp?tsg?ran?wg1#109e中，隨后提出了雙側ai/ml模型的實施方式，主要用于作為代表性子用例的csi壓縮，其中雙側ai/ml模型被視為至少是配對的ai/ml模型，在其上執(zhí)行跨多個網絡元件諸如ue和gnb的聯(lián)合推理，例如初始通過ue執(zhí)行推理的第一部分，然后由gnb執(zhí)行剩余部分(反之亦然)。因此，作為起點，研究案例的雙側模型至少考慮ue側的基于ai/ml的csi生成部分，以生成csi反饋信息并將其發(fā)送到給定的網絡元件(gnb)，以及gnb側的基于ai/ml的csi重構部分，用于從所接收到的csi反饋信息重構csi。

5、此外，在3gpp?tsg?ran?wg1#110和#110-bis-e中，為上述雙側ai/ml模型規(guī)定了不同的ai/ml模型訓練協(xié)作方法，包括在相應模型的兩側進行單獨訓練(即其中csi生成部分和csi重構部分由它們的相應側順序地訓練，例如從ue側訓練開始，然后是網絡側訓練，或者從網絡側訓練開始，然后是ue側訓練，或者并行訓練)。具體地，為此，建議通過初始在特定的第一側網絡元件(諸如ue)處聯(lián)合訓練csi生成部分和csi重構部分來逼近給定的模型訓練，且隨后，在csi重構部分訓練完成后，向第二側網絡元件(例如gnb)共享一組信息(例如數(shù)據集)，第二側網絡元件將使用該組信息從而能夠訓練第二側csi生成部分。

6、然而，盡管目前正在努力改進所述雙側ai/ml模型在無線網絡系統(tǒng)中的穩(wěn)定性和適應性，但仍然存在問題，即由于常見無線網絡的動態(tài)和專有架構，用于至少啟用上述雙側分開訓練機制的基本信息可能會丟失或被修改，從而導致相應的雙側模型的效率大幅降低。

7、例如，由于上述訓練策略要求在至少兩個不同的網絡元件之間共享數(shù)據集，因此了解什么作為數(shù)據集被共享是重要的，這是因為例如在不具有關于固有數(shù)據屬性(作為示例，格式)的基本知識的情況下，需要輸入用于后續(xù)訓練的共享數(shù)據集的接收網絡元件可能不能充分使用所有數(shù)據信息。同樣，例如在跨多個ue進行雙側模型解碼器訓練的情況下，如果接收網絡元件計劃考慮跨不同數(shù)據集的混合數(shù)據，則通過不同網絡元件共享不同格式的數(shù)據集可能會產生麻煩的操作。類似地，由于相對應的網絡元件內的不同的所有權或隱私問題，了解在給定網絡元件處什么被認為重要這同樣重要，這是因為在某些情況下，給定網絡元件可能不會透露關于底層模型的某些信息，而另一些網絡元件可能會透露。

8、因此，需要提出新的方法和裝置用于基于ai/ml的雙側模型訓練，特別是分開的模型訓練，其以高效、靈活且可靠的方式解決上述問題中的一些或全部。

技術實現(xiàn)思路

1、根據某些方面，提供了各獨立權利要求的主題。在各從屬權利要求中定義了一些進一步的方面。

2、根據本公開的第一方面，可提供一種無線網絡中的裝置，其包括：一個或多個處理器和存儲指令的存儲器，當所述指令由所述一個或多個處理器執(zhí)行時，使所述裝置：接收用于配置所述裝置以共享將被用于訓練雙側模型的數(shù)據的信息，所述雙側模型便于所述裝置與所述無線網絡中的另一設備之間的數(shù)據通信，所述信息指示將要與所述另一設備共享哪些數(shù)據；基于所述裝置處可用的訓練數(shù)據，通過機器學習算法來訓練所述雙側模型的至少第一側；根據所接收到的配置信息，從所述訓練數(shù)據確定將要共享的數(shù)據集；發(fā)送所確定的數(shù)據集以供所述另一設備用于與所述第一站點分開地訓練所述雙側模型的至少第二側。

3、根據本公開的第二側面，還可使所述裝置在與所述另一設備通信時使用所述雙側模型的第一側，所述配置信息指示所述雙側模型的第一側在訓練期間的輸入數(shù)據和/或輸出數(shù)據是否應與所述另一設備共享。

4、根據本公開的第三方面，所述裝置在訓練期間確定所述雙側模型的假設第二側，所述配置信息指示是否將要共享用于所述假設第二側的訓練的一些數(shù)據。

5、根據本公開的第四方面，所述配置信息可指示是否要共享關于第一側訓練數(shù)據與所述假設第二側的訓練數(shù)據之間的關系的度量。

6、關于本公開的第五方面，所述配置信息可指示將要共享的預配置的數(shù)據集。

7、關于本公開的第六方面，所述配置信息可指示何時與所述另一設備共享所述數(shù)據，并且可指示時間實例、共享條件或共享觸發(fā)器中的至少一個。

8、關于本公開的第七方面，所述配置信息可指示如何與所述另一設備共享所述數(shù)據，并且可指示用于共享所述數(shù)據的格式、用于共享所述數(shù)據的通信介質或所共享的數(shù)據的優(yōu)先級中的至少一個。

9、關于本公開的第八方面，所述配置信息和/或所共享的數(shù)據集可經由空中接口通過信令傳輸，或經由所述裝置與所述另一設備之間的遠程服務器來傳輸。

10、關于本公開的第九方面，所述配置信息可涉及所述雙側模型的初始訓練，或者涉及所述雙側模型基于新訓練數(shù)據的更新。

11、關于本公開的第十方面，所述配置信息可包括以下中的至少一個：共享信息，其包括指向將要與所述另一設備共享的數(shù)據集的集合/批次的一個或多個數(shù)據集標識符；格式信息，其描述包括將要共享的數(shù)據集的規(guī)模的向量；或報告配置，其指定將要被用于所述雙側模型的至少第一側的數(shù)據。

12、關于本公開的第十一方面，所述雙側模型可便于信道狀態(tài)信息csi的壓縮/解壓縮，所述雙側模型的第一側可涉及關于無線信道的信息的壓縮，所述雙側模型的第二側涉及所述無線信道信息的解壓縮。

13、關于本公開的第十二方面，所述雙側模型可便于信道編碼/解碼，所述雙側模型的第一側可涉及用于傳輸?shù)剿隽硪辉O備的數(shù)據的編碼，所述雙側模型的第二側可涉及所述另一設備接收到的數(shù)據的解碼。

14、關于本公開的第十三方面，所述裝置可以是所述無線網絡中的用戶裝置ue。

15、關于本公開的第十四方面，還可提供一種無線網絡中的設備，其包括：一個或多個處理器和存儲指令的存儲器，當所述指令由所述一個或多個處理器執(zhí)行時，使所述設備：發(fā)送用于配置所述無線網絡中的裝置以共享被用于訓練雙側模型的數(shù)據的信息，所述雙側模型便于所述無線網絡中的所述裝置與所述設備之間的數(shù)據通信，所述信息指示所述裝置將與所述設備共享哪些數(shù)據；從所述裝置接收所共享的數(shù)據；基于所接收到的數(shù)據，通過機器學習算法來訓練所述雙側模型的至少第二側。

16、關于本公開的第十五方面，所述設備可以是所述無線網絡中的下一代無線電接入網絡ng-ran節(jié)點，諸如gnb，所述裝置可以是所述無線網絡中的用戶裝置ue。

17、關于本公開第十六方面，所述設備可訓練和維護ue特定的模型，每個模型應用于與單個ue的通信。

18、關于本公開的第十七方面，所述設備可從多個ue接收共享數(shù)據，并基于從不同ue接收到的共享數(shù)據的集合來訓練所述雙側模型的至少第二側。

19、關于本公開的第十八方面，所述雙側模型的第二側的訓練可至少基于在由所述裝置訓練所述雙側模型期間確定的假設第二側的參考輸出，所述參考輸出至少可以是所述裝置的共享數(shù)據的一部分。

20、關于本公開的第十九方面，還可提供一種用于訓練雙側模型的第一方法，所述雙側模型便于無線網絡中的裝置和另一設備之間的數(shù)據通信，所述方法包括：通過所述裝置接收用于配置所述裝置以共享將被用于訓練所述雙側模型的數(shù)據的信息，所述信息指示將要與所述另一設備共享哪些數(shù)據；基于所述裝置處可用的訓練數(shù)據，通過機器學習算法與所述雙側模型的第二側分開地訓練所述雙側模型的至少第一側；根據所接收到的配置信息，從所述訓練數(shù)據確定將要共享的數(shù)據集；發(fā)送所確定的數(shù)據集以供所述另一設備用于與所述第一側分開地訓練所述雙側模型的至少第二側。

21、關于本公開的第二十方面，還可提供一種用于訓練雙側模型的第二方法，所述雙側模型便于無線網絡中的裝置與另一設備之間的數(shù)據通信，所述方法包括：發(fā)送用于配置所述無線網絡中的所述裝置以共享將要被用于訓練所述雙側模型的數(shù)據的信息，所述信息指示所述裝置將要與所述設備共享哪些數(shù)據；從所述裝置接收所共享的數(shù)據；基于所接收到的數(shù)據，通過機器學習算法來訓練所述雙側模型的至少第二側。

22、關于本公開的第二十一方面，所述配置信息可指示何時與所述另一設備共享所述數(shù)據和/或如何與所述另一設備共享所述數(shù)據。

23、關于本公開的第二十二方面，還可提供一種計算機程序，其包括用于使所述裝置或所述設備執(zhí)行根據本公開第十九至二十一方面的上述方法的指令。

24、關于本公開的第二十三方面，還可提供一種存儲器，其存儲用于使所述裝置或所述設備執(zhí)行根據本公開第十九至二十一方面的上述方法的計算機可讀指令。

25、這里，所述計算機程序和所述存儲計算機可讀指令的存儲器可直接加載到計算機的內部存儲器中和/或借助于上傳、下載和推送過程中的至少一種經由網絡發(fā)送。

26、因此，雖然本文將特別參考上述應用來描述一些示例性實施例，但應當理解，本公開不限于這樣的使用領域，而是可適用于更廣泛的背景中。

27、值得注意的是，應當理解，根據本公開的各方法涉及操作根據上述各示例性實施例及其變型的各裝置的方法，關于各裝置的相應陳述同樣適用于對應的方法，反之亦然，因此為了簡明起見，可省略相似的描述。此外，即使沒有明確公開，上述各方面也可以以許多種方式組合。本領域技術人員將理解，這些方面和特征/步驟的組合是可行的，除非它產生明確排除的矛盾。

28、所公開的各裝置的實施方式可包括使用但不限于一個或多個處理器、一個或多個專用集成電路(asic)和/或一個或多個現(xiàn)場可編程門陣列(fpga)。所述各裝置的實施方式還可包括使用其他常規(guī)和/或定制的硬件，諸如軟件可編程處理器，諸如圖形處理單元(gpu)處理器。

29、應當理解，除非明確指出排除替代方案，否則上述任何修改都可單獨或組合地應用于它們所涉及的各個方面。

30、因此，根據本公開，可克服在無線網絡中實施的至少一個裝置和設備之間基于雙側ai/ml的模型的未定義數(shù)據集傳輸?shù)膯栴}。此外，可根據網絡元件的具體要求來調整所述訓練數(shù)據集，且因此改進雙側模型系統(tǒng)集成的整體效率。