获得具有归一化层的学习模型的参数的制作方法

摘要: 本公开涉及无线通信,且更具体来说,涉及用于通信的学习模型技术。背景技术:1、无线通信系统可包含一或多个网络通信装置,其可被另称为网络装备(ne),支持用于一或多...
获得具有归一化层的学习模型的参数的制作方法

本公开涉及无线通信,且更具体来说,涉及用于通信的学习模型技术。

背景技术:

1、无线通信系统可包含一或多个网络通信装置,其可被另称为网络装备(ne),支持用于一或多个用户通信装置的无线通信,所述用户通信装置可被另称为用户装备(ue)或其它合适的术语。无线通信系统可通过利用无线通信系统的资源(例如,时间资源(例如,符号、时隙、子帧、帧等)或频率资源(例如,子载波、载波等))来支持与一或多个用户通信装置的无线通信。此外,无线通信系统可支持跨越各种无线电接入技术的无线通信,所述各种无线电接入技术包含第三代(3g)无线电接入技术、第四代(4g)无线电接入技术、第五代(5g)无线电接入技术以及5g以外的其它合适的无线电接入技术(例如,第六代(6g))。

技术实现思路

1、元件之前的冠词“一”不受限制且应理解为指那些元件中的“至少一者”或那些元件中的“一或多者”。术语“一”、“至少一个”、“一或多个”及“一或多个中的至少一者”可互换。如本文中所使用,包含在权利要求书中,如在项目列表中使用的“或”(例如,以短语如“至少一个”或“一或多个”或“一或两个”开头的项目列表)指示包含性列表,使得例如a、b或c中的至少一者的列表意味着a或b或c或ab或ac或bc或abc (即,a及b及c)。此外,如本文中所使用,短语“基于”不应被解释为是指一组封闭条件。例如,在不脱离本公开的范围的情况下,描述为“基于条件a”的实例步骤可基于条件a及条件b两者。换句话说,如本文中所使用,短语“基于”应以与短语“至少部分基于”相同的方式来解释。此外,如本文中所使用,包含在权利要求书中,“组”可包含一或多个元件。

2、描述一种用于无线通信的第一装置。所第一装置可经配置、能够或可操作以执行如本文中所描述的一或多个操作。举例来说,所述第一装置可经配置、能够或可操作以:产生与学习模型集中的相应学习模型(例如,机器学习(ml)模型及/或人工智能(ai)模型)相关联的第一参数集及与所述学习模型集中的不同者相关联的相应第二参数集,其中所述相应第二参数集对应于所述学习模型集中的所述不同者的一或多个相应归一化层;及向第二装置发射包含所述第一参数集及所述相应第二参数集中的第二参数集的消息。

3、描述一种用于无线通信的处理器(例如,独立处理器芯片组或第一装置的组件)。所述处理器可经配置、能够或可操作以执行如本文中所描述的一或多个操作。举例来说,所述处理器可经配置、能够或可操作以:产生与学习模型集中的相应学习模型相关联的第一参数集及与所述学习模型集中的不同者相关联的相应第二参数集,其中所述相应第二参数集对应于所述学习模型集中的所述不同者的一或多个相应归一化层;及向第二装置发射包含所述第一参数集及所述相应第二参数集中的第二参数集的消息。

4、描述一种由第一装置执行或可由第一装置执行的用于无线通信的方法。所述方法可包含:产生与学习模型集中的相应学习模型相关联的第一参数集及与所述学习模型集中的不同者相关联的相应第二参数集,其中所述相应第二参数集对应于所述学习模型集中的所述不同者的一或多个相应归一化层;及向第二装置发射包含所述第一参数集及所述相应第二参数集中的第二参数集的消息。

5、在本文中所描述的第一装置、处理器及方法的一些实施方案中,为了产生与所述学习模型集相关联的所述第一参数集及与所述学习模型集相关联的所述相应第二参数集,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以:使用数据样本集的数据样本子集训练所述学习模型集中的学习模型以确定所述第一参数集及所述第二参数集,其中所述经训练学习模型与所述第一参数集及所述第二参数集相关联,所述第二参数集包含与所述学习模型的一或多个归一化层相关联的缩放及移位参数,且所述第二参数集包含所述相应第二参数集的初始第二参数集;及使用所述数据样本集的相应剩余数据样本子集训练所述学习模型集中的一或多个剩余学习模型以确定所述相应第二参数集,其中所述经训练一或多个剩余学习模型与所述第一参数集及所述相应第二参数集相关联。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以独立于所述第二装置确定所述数据样本集。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以接收指示所述数据样本集的额外消息。

6、在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述数据样本集包含对应于所述相应学习模型的一组训练数据样本子集,其中所述一组训练数据样本子集中的相应训练数据样本子集与一或多个不同特性相关联。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述一或多个不同特性包含所述相应训练数据样本子集的均值、所述相应训练数据样本子集的标准差、所述相应训练数据样本子集的方差或所述相应训练数据样本子集的概率分布中的至少一者。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述一组训练数据样本子集与所述第一装置与所述第二装置之间的相应网络条件、与所述第一装置相关联的相应参数、与所述第二装置相关联的相应参数或与在所述第一装置与所述第二装置之间建立的信道相关联的相应信道特性中的至少一者相关联。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述数据样本集包含以下中的至少一者:经标记数据样本,其包含用于输入到所述学习模型集中的至少一个学习模型的数据样本及来自所述至少一个学习模型的预期输出的指示;或未标记数据样本,其包含用于输入到所述学习模型集中的所述至少一个学习模型的数据样本。

7、在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以基于将数据作为输入提供到所述学习模型集中的学习模型,基于包含所述第一参数集及相应第二参数集的所述学习模型来从所述学习模型产生输出。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以将与所述学习模型相关联的所述第二参数集更新为所述相应第二参数集中的额外第二参数集。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以基于与所述学习模型集相关联的相应归一化层来确定所述相应第二参数集。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述相应归一化层对应于批归一化层、层归一化层、群组归一化层、例子归一化层或均方根归一化层中的至少一者。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以在所述消息被发射之后向所述第二装置发射包含与所述学习模型集中的额外学习模型相关联的额外第二参数集的额外消息,其中所述额外学习模型包含所述第一参数集及所述额外第二参数集。

8、在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以从所述第二装置接收指示所述第一装置发射所述消息的额外消息,其中所述消息响应于所述额外消息而发射。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述额外消息指示所述第一参数集或所述第二参数集中的至少一者。在本文中所描述的第一装置、处理器及方法的一些实施方案中,为了发射所述消息,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以确定满足与所述消息相关联的一或多个条件,其中所述一或多个条件与所述第一装置与所述第二装置之间的相应网络条件、与所述第一装置相关联的一或多个参数、与所述第二装置相关联的一或多个参数或与在所述第一装置与所述第二装置之间建立的信道相关联的一或多个信道特性中的至少一者相关联。

9、描述一种用于无线通信的第一装置。所第一装置可经配置、能够或可操作以执行如本文中所描述的一或多个操作。举例来说,所述第一装置可经配置、能够或可操作以:向第二装置发射请求与学习模型集中的相应学习模型相关联的第一参数集及与所述学习模型集中的学习模型相关联的第二参数集的第一消息,其中所述第二参数集对应于所述学习模型的一或多个归一化层;及响应于所述第一消息而接收包含所述第一参数集及所述第二参数集的第二消息。

10、描述一种用于无线通信的处理器(例如,独立处理器芯片组或第一装置的组件)。所述处理器可经配置、能够或可操作以执行如本文中所描述的一或多个操作。举例来说,所述处理器可经配置、能够或可操作以:向第二装置发射请求与学习模型集中的相应学习模型相关联的第一参数集及与所述学习模型集中的学习模型相关联的第二参数集的第一消息,其中所述第二参数集对应于所述学习模型的一或多个归一化层;及响应于所述第一消息而接收包含所述第一参数集及所述第二参数集的第二消息。

11、描述一种由第一装置执行或可由第一装置执行的用于无线通信的方法。所述方法可包含:向第二装置发射请求与学习模型集中的相应学习模型相关联的第一参数集及与所述学习模型集中的学习模型相关联的第二参数集的第一消息,其中所述第二参数集对应于所述学习模型的一或多个归一化层;及响应于所述第一消息而接收包含所述第一参数集及所述第二参数集的第二消息。

12、在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第二参数集包含与所述学习模型的所述一或多个归一化层相关联的缩放及移位参数,所述第二参数集基于所述学习模型是使用数据样本集的数据样本子集训练的来确定,且所述第二参数集包含与所述学习模型集相关联的相应第二参数集的初始第二参数集。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以向所述第二装置发射指示所述数据样本集的第三消息。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述数据样本集包含对应于所述相应学习模型的一组训练数据样本子集,其中所述一组训练数据样本子集中的相应训练数据样本子集与一或多个不同特性相关联。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述一或多个不同特性包含所述相应训练数据样本子集的均值、所述相应训练数据样本子集的标准差、所述相应训练数据样本子集的方差或所述相应训练数据样本子集的概率分布中的至少一者。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述一组训练数据样本子集与所述第一装置与所述第二装置之间的相应网络条件、所述第一装置的相应参数、所述第二装置的相应参数或与在所述第一装置与所述第二装置之间建立的信道相关联的相应信道特性中的至少一者相关联。

13、在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述数据样本集包含以下中的至少一者:经标记数据样本,其包含用于输入到所述学习模型集中的至少一个学习模型的数据样本及来自所述至少一个学习模型的预期输出的指示;或未标记数据样本,其包含用于输入到所述学习模型集中的所述至少一个学习模型的数据样本。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以基于将数据作为输入提供到所述学习模型,基于包含所述第一参数集及所述第二参数集的所述学习模型来从所述学习模型产生输出。在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以:向所述第二装置发射请求与所述学习模型集中的额外学习模型相关联的额外第二参数集的第三消息;及响应于所述第三消息而接收包含所述额外第二参数集的第四消息,其中所述额外学习模型包含所述第一参数集及所述额外第二参数集。

14、在本文中所描述的第一装置、处理器及方法的一些实施方案中,所述一或多个归一化层对应于批归一化层、层归一化层、群组归一化层、例子归一化层或均方根归一化层中的至少一者。在本文中所描述的第一装置、处理器及方法的一些实施方案中,为了发射所述第一消息,所述第一装置、所述处理器及所述方法可进一步经配置、能够或可操作以确定满足与所述第一消息相关联的一或多个条件,其中所述一或多个条件与所述第一装置与所述第二装置之间的相应网络条件、与所述第一装置相关联的一或多个参数、与所述第二装置相关联的一或多个参数或与在所述第一装置与所述第二装置之间建立的信道相关联的一或多个信道特性中的至少一者相关联。