用于人工智能或机器学习性能监测的经量化模型的推断准确度的报告的制作方法
本公开的各方面整体涉及无线通信,并且具体地涉及用于人工智能或机器学习性能监测的经量化模型的推断准确度的报告的技术、装置和方法。
背景技术:
1、无线通信系统被广泛部署以提供各种服务,这些服务可包括携带语音、文本、消息接发、视频、数据和/或其他业务。服务可包括单播服务、多播服务和/或广播服务等等。典型的无线通信系统可采用能够通过共享可用系统资源(例如,时域资源、频域资源、空域资源和/或设备发送功率等等)来支持与多个用户的通信的多址无线电接入技术(rat)。此类多址rat的示例包括码分多址(cdma)系统、时分多址(tdma)系统、频分多址(fdma)系统、正交频分多址(ofdma)系统、单载波频分多址(sc-fdma)系统和时分同步码分多址(td-scdma)系统。
2、已经在各种电信标准中采用了上述多址rat,以提供使得不同的无线通信设备能够在城市、国家、地区或全球级别上进行通信的公共协议。示例电信标准是新无线电(nr)。nr(其也可被称为5g)是由第三代合作伙伴计划(3gpp)发布的连续移动宽带演进的一部分。nr(和nr之外的其他移动宽带演进)可被设计成更好地支持物联网(iot)和降低能力的设备部署、工业连通性、毫米波(mmwave)扩展、许可和未许可频谱接入、非地面网络(ntn)部署、侧链路和其他设备到设备直接通信技术(例如,蜂窝车联网(cv2x)通信)、大规模多输入多输出(mimo)、分解式网络架构和网络拓扑扩展、多订户具体实施、高精度定位和/或射频(rf)感测等等。随着对移动宽带接入的需求持续增长,可实现nr的另外的改进,并且可引入其他无线电接入技术(诸如6g)以进一步推进移动宽带演进。
技术实现思路
1、本文所描述的一些方面涉及一种用于无线通信的用户装备(ue)。该ue可包括一个或多个存储器和耦合到该一个或多个存储器的一个或多个处理器。该一个或多个处理器可以被配置为向网络节点发送对与用于人工智能或机器学习(ai/ml)任务的经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该一个或多个处理器可以被配置为至少部分地基于对该推断准确度级别的该指示来从该网络节点接收与ai/ml性能监测相关联的信令。
2、本文所描述的一些方面涉及一种用于无线通信的网络节点。该网络节点可包括一个或多个存储器和耦合到该一个或多个存储器的一个或多个处理器。该一个或多个处理器可以被配置为接收对与要由ue用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该一个或多个处理器可以被配置为至少部分地基于对该推断准确度级别的该指示来向该ue发送与ai/ml性能监测相关联的信令。
3、本文所描述的一些方面涉及一种用于无线通信的服务器设备。该服务器设备可以包括一个或多个存储器和耦合到该一个或多个存储器的一个或多个处理器。该一个或多个处理器可以被配置为向ue发送用于ai/ml任务的经量化ai/ml模型,其中该经量化ai/ml模型与用于该ai/ml任务的浮点ai/ml模型相关联。该一个或多个处理器可以被配置为发送对与该经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于该浮点ai/ml模型的相对准确度。
4、本文所描述的一些方面涉及一种由ue执行的无线通信的方法。该方法可以包括:向网络节点发送对与用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该方法可以包括:至少部分地基于对该推断准确度级别的该指示来从该网络节点接收与ai/ml性能监测相关联的信令。
5、本文所描述的一些方面涉及一种由网络节点执行的无线通信的方法。该方法可以包括:接收对与要由ue用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该方法可以包括:至少部分地基于对该推断准确度级别的该指示来向该ue发送与ai/ml性能监测相关联的信令。
6、本文所描述的一些方面涉及一种由服务器设备执行的无线通信的方法。该方法可以包括:向ue发送用于ai/ml任务的经量化ai/ml模型,其中该经量化ai/ml模型与用于该ai/ml任务的浮点ai/ml模型相关联。该方法可以包括:发送对与该经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于该浮点ai/ml模型的相对准确度。
7、本文所描述的一些方面涉及一种存储用于由ue进行无线通信的指令集的非暂态计算机可读介质。该指令集在由该ue的一个或多个处理器执行时可以使该ue:向网络节点发送对与用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该指令集在由该ue的一个或多个处理器执行时可以使该ue:至少部分地基于对该推断准确度级别的该指示来从该网络节点接收与ai/ml性能监测相关联的信令。
8、本文所描述的一些方面涉及一种存储用于由网络节点进行无线通信的指令集的非暂态计算机可读介质。该指令集在由该网络节点的一个或多个处理器执行时可以使该网络节点:接收对与要由ue用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该指令集在由该网络节点的一个或多个处理器执行时可以使该网络节点:至少部分地基于对该推断准确度级别的该指示来向该ue发送与ai/ml性能监测相关联的信令。
9、本文所描述的一些方面涉及一种存储用于由服务器设备进行无线通信的指令集的非暂态计算机可读介质。该指令集在由该服务器设备的一个或多个处理器执行时可以使该服务器设备:向ue发送用于ai/ml任务的经量化ai/ml模型,其中该经量化ai/ml模型与用于该ai/ml任务的浮点ai/ml模型相关联。该指令集在由该服务器设备的一个或多个处理器执行时可以使该服务器设备:发送对与该经量化ai/ml模型相关联的推断准确度级别的指示,其中该推断准确度级别指示该经量化ai/ml模型相对于该浮点ai/ml模型的相对准确度。
10、本文所描述的一些方面涉及一种用于无线通信的装置。该装置可以包括:用于向网络节点发送对与用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示的部件,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该装置可以包括:用于至少部分地基于对该推断准确度级别的该指示来从该网络节点接收与ai/ml性能监测相关联的信令的部件。
11、本文所描述的一些方面涉及一种用于无线通信的装置。该装置可以包括:用于接收对与要由ue用于ai/ml任务的经量化ai/ml模型相关联的推断准确度级别的指示的部件,其中该推断准确度级别指示该经量化ai/ml模型相对于用于该ai/ml任务的浮点ai/ml模型的相对准确度。该装置可以包括:用于至少部分地基于对该推断准确度级别的该指示来向该ue发送与ai/ml性能监测相关联的信令的部件。
12、本文所描述的一些方面涉及一种用于无线通信的装置。该装置可以包括:用于向ue发送用于ai/ml任务的经量化ai/ml模型的部件,其中该经量化ai/ml模型与用于该ai/ml任务的浮点ai/ml模型相关联。该装置可以包括:用于发送对与该经量化ai/ml模型相关联的推断准确度级别的指示的部件,其中该推断准确度级别指示该经量化ai/ml模型相对于该浮点ai/ml模型的相对准确度。
13、本公开的各方面可整体由如参考说明书和附图所充分描述的以及如说明书和附图所例示的方法、装置、系统、计算机程序产品、非暂态计算机可读介质、用户装备、基站、网络节点、网络实体、无线通信设备和/或处理系统来实现或被实现为上述项。
14、该章节的前述段落已广泛地总结了本公开的一些方面。下文将描述这些和附加方面和相关联的优点。所公开的方面可用作用于修改或设计用于执行本公开的相同或类似目的的其他方面的基础。此类等效方面不脱离所附权利要求书的范围。本文所公开的方面的特性、其组织和操作方法两者以及相关联的优点将根据在结合附图考虑时的以下描述而被更好地理解。
15、虽然在本技术中通过对一些示例的例示来描述了各方面和实施方案,但是本领域技术人员将理解的是,在许多不同的布置和场景中可以产生附加的具体实施和用例。本文所描述的创新可跨许多不同的平台类型、设备、系统、形状、大小、封装布置来实现。例如,实施方案和/或使用可以经由集成芯片实施方案和其他非基于模块组件的设备(例如,终端用户设备、交通工具、通信设备、计算设备、工业装备、零售/购买设备、医疗设备、启用ai的设备等)而产生。虽然一些示例可以或可以不专门指向用例或应用,但是可出现所描述的创新的各类的适用性。具体实施的范围可从芯片级或模块组件至非模块、非芯片级具体实施,并进一步至结合所描述创新的一个或多个方面的聚合的、分布式或原始装备制造商(oem)设备或系统。在一些实际设置中,结合所描述方面和特征的设备必然还可包括用于实现和实践受权利要求书保护和描述的实施方案的附加组件和特征。例如,对无线信号的发送和接收必然包括用于模拟和数字目的的多个组件(例如,包括天线、rf链、功率放大器、调制器、缓冲器、处理器、交织器、加法器/求和器等的硬件组件)。本文所描述的创新旨在可在具有不同大小、形状和构造的各种设备、芯片级组件、系统、分布式布置、终端用户设备等中实践。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com