多训练模型操作信令的方法与流程

本公开涉及基于ai/ml的模型训练操作类型，其中提出了用于预配置和发信号通知关于适用于无线电接入网络的模型训练操作类型的特定信息的技术。

背景技术：

1、在3gpp (第三代合作伙伴计划)中，作为批准的版本18包的所选择的研究项目中的一个是ai/ml (人工智能/机器学习)，如3gpp tsg (技术规范组) ran (无线电接入网络)会议#94e中提交的相关文档(rp-213599)中所描述。ai/ml研究项目的正式名称是“study on ai/ml for nr air interface (针对nr空中接口的ai/ml的研究)”。本研究项目的目标是确立通用的ai/ml框架，并结合用例确立使用基于ai/ml的技术来获得收益的领域。根据3gpp，该研究项目的主要目的是通过考虑性能、复杂性和潜在的规范影响来利用目标用例研究针对空中接口的ai/ml框架。特别地，用于确立框架的共同和特定特性的ai/ml模型、术语和描述将作为关键工作范围中的一个包括在内。关于ai/ml框架，正在考虑各种方面以进行调研，并且关键项目之一是关于ai/ml模型的生命周期管理，其中针对模型训练、模型部署、模型推理、模型监测、模型更新等强制性地包括多个阶段。另外，在3gpp中，双侧(ai/ml)模型被定义为在其上执行联合推理的配对ai/ml模型，其中联合推理包括其推理跨ue和网络联合执行的ai/ml推理。另外，对于单侧(ai/ml)模型，ue侧(ai/ml)模型被定义为其推理完全在ue处执行的ai/ml模型，并且网络侧(ai/ml)模型被定义为其推理完全在网络处执行的ai/ml模型。当前，ai/ml规范工作处于针对版本19的工作项目讨论的阶段。早些时候，在名称为“study on enhancement for data collection for nr and en-dc (对nr和en-dc数据收集增强的研究)”的版本17的3gpp tr 37.817中，ue (用户设备)移动性也被视为ai/ml用例之一，并且模型训练/推理的场景之一是这两个功能都位于ran节点内。随后，在版本18中发起了新的工作项目“artificial intelligence (ai)/machine learning(ml) for ng-ran (针对ng-ran的人工智能(ai)/机器学习(ml))”，以指定现有ng-ran接口和架构内的数据收集增强和信令支持。对于上述积极的标准化工作，基于ran的ai/ml模型被认为对于网络和ue两者满足任何期望的模型操作(例如，模型训练、推理、选择、切换、更新、监测等)非常重要。可发信号通知模型信息以将网络侧模型和ue侧模型两者配对，以进行各种生命周期管理(lcm)操作。然而，指示模型信息的信令开销可能会非常高，尤其是在基站(bs/gnb)与多个ue之间处理基于模型的lcm时。

2、在lcm中，模型训练是模型部署的最重要的部分之一，并且对于信令方法和网络-ue行为，当前还没有定义规范，用以确立在模型更新/再训练时所需的数据集，因为任何激活的模型也都可能由于模型/数据漂移而受到影响。当ml条件改变时，所启用的ai/ml模型可能由于数据/模型漂移而在模型性能上受到影响。在这种情况下，可执行模型再训练/更新。

3、wo2023144831a1描述了一种在网络中针对电信容量规划对至少一个机器学习ml模型进行生命周期管理的方法，其中该方法包括执行确定当前ml模型的性能对于电信容量规划的预测来说是不可接受的，并选择最小信息数据集。

4、wo2023173296a1描述了基于装置当前报告的学习能力，选择性地将该装置包括在在线训练过程中或排除装置参与在线训练过程，以在开销降低与训练性能之间提供权衡。

5、us2022116764a1显示，基站从多个ue中的每个接收机器学习处理能力报告，以及基站根据机器学习处理能力报告对多个ue进行分组，以接收机器学习模型的梯度更新。

6、us2022360973a1显示，ue可基于报告ue能力的请求，向网络传输以下一项或多项的指示：ai能力、ml能力、与ai过程或ml过程中的至少一个相关的无线电能力、或者与ai过程或ml过程中的至少一个相关联的核心网络能力。

7、wo2022008037a1显示，如果终端指示该能力并且终端处于无能力状态，则终端通知网络终端处于无能力状态，其中，在无能力状态下，终端无法执行和/或训练机器学习模型，或者终端无法至少以预定义的性能执行和/或训练机器学习模型。

8、对于网络与ue之间的单侧或双侧模型的ai/ml模型操作，可以有多种类型的模型训练方法，诸如联合训练或单独训练。然而，不同的ue具有模型训练约束，以支持任何特定的模型训练方法(例如，不允许私有模型用于联合训练)。由于ue的训练能力约束，用于训练的目标ue的数量有限，因此训练收敛可能较慢或无法高效地应用任何特定类型的模型训练。

9、这个问题是通过配置多种类型的模型训练操作使得两种或更多种类型的模型训练操作可一起协同进行同一目标模型训练来解决。

10、这个解决方案有利地导致增加用于模型训练的目标ue，无论多种模型训练类型如何，并且提高模型训练性能，诸如收敛速度。

11、本公开通过所提出的实施例解决了所引述的问题，并且作为第一方面描述了一种用于在无线通信系统中配置多种类型的模型训练操作的多训练模型操作信令的方法，包括：针对特定类型的模型训练操作对目标ue进行分组；定义用于在模型训练操作之间交换的信息；确定用于选择性/组合式模型训练的信令的特定位；预设映射关系信息以支持各种类型的模型训练操作。

12、在根据第一方面的方法的一些实施例中，该方法的特征在于，两种或更多种类型的模型训练操作可协同进行同一目标模型训练。

13、根据前述权利要求中一项所述的方法，其中对针对模型训练的目标ue的分组可基于特定模型训练操作类型的装置训练能力信息。

14、在根据第一方面的方法的一些实施例中，该方法的特征在于，取决于网络侧决策或ue自主决策，ue可被分配来操作两种或更多种类型的模型训练操作。

15、在根据第一方面的方法的一些实施例中，该方法的特征在于，可同时启用两种或更多种模型训练操作类型，以在网络侧与ue侧之间进行单侧或双侧模型训练。

16、在根据第一方面的方法的一些实施例中，该方法的特征在于，可跨不同的ue组彼此交换模型训练更新。

17、在根据第一方面的方法的一些实施例中，该方法的特征在于，使用n位信令来启用选择性模型训练或组合式模型训练。

18、在根据第一方面的方法的一些实施例中，该方法的特征在于，选择性模型训练可允许在网络与ue之间选择单一类型的模型训练操作来激活。

19、在根据第一方面的方法的一些实施例中，该方法的特征在于，组合式模型训练可允许在网络与ue之间选择多种类型的模型训练操作来激活，使得并行执行两种或更多种不同类型的模型训练操作。

20、在根据第一方面的方法的一些实施例中，该方法的特征在于，跨那些训练类型交换的模型训练信息可组合起来用于模型训练。

21、在根据第一方面的方法的一些实施例中，该方法的特征在于，训练更新信息的特定内容可取决于不同的模型训练操作类型和/或应用场景而变化。

22、在根据第一方面的方法的一些实施例中，该方法的特征在于，训练更新信息的交换可经由l1/l2或rrc信令使用ml配置信息来进行配置。

23、在根据第一方面的方法的一些实施例中，该方法的特征在于，用于信息交换的相关联的参数值集与模型训练操作类型之间的映射关系可基于具有不同模型应用/功能的ml部署场景经由系统信息或专用rrc信令预设为可用的。

24、在根据第一方面的方法的一些实施例中，该方法的特征在于，关于映射关系表的任何更新(包含用于信息交换的相关联的参数值集和模型训练操作类型)可经由l1/l2或rrc信令进行指示。

25、在根据第一方面的方法的一些实施例中，该方法的特征在于，可通过包括单侧模型场景和双侧模型场景来配置一组模型训练操作类型，使得可在网络侧与ue侧之间联合执行或独立执行模型训练。

26、在根据第一方面的方法的一些实施例中，该方法的特征在于，与每种模型训练操作类型相关联的参数值集可在映射关系表中预定义。

27、在根据第一方面的方法的一些实施例中，该方法的特征在于，ue可基于映射关系表格式向网络侧提供与每种模型训练操作类型相关的所配置的参数值信息。

28、在根据第一方面的方法的一些实施例中，该方法的特征在于，可针对不同的ue组确定不同的模型训练操作类型。

29、在根据第一方面的方法的一些实施例中，该方法的特征在于，网络侧可协调跨多个ue组启用哪些模型训练类型组合来进行模型训练。

30、在根据第一方面的方法的一些实施例中，该方法的特征在于，可经由l1/l2或rrc信令使用广播或组播传输来发送指示消息，以为每个ue组启用特定模型训练操作类型。

31、在根据第一方面的方法的一些实施例中，该方法的特征在于，基于预配置的模型训练操作类型，可启用单个网络侧模型以与具有ue侧模型的ue组执行双侧模型训练。

32、在根据第一方面的方法的一些实施例中，该方法的特征在于，ue可启用两种或更多种模型训练操作类型以支持所配置的双侧模型训练。

33、在根据第一方面的方法的一些实施例中，该方法的特征在于，ue组的数量可以是灵活的，以确定目标ue及其相关联的ue侧模型以供使用。

34、在根据第一方面的方法的一些实施例中，该方法的特征在于，可启用多个网络侧模型以与具有ue侧模型的ue组执行双侧模型训练。

35、在根据第一方面的方法的一些实施例中，该方法的特征在于，支持特定模型训练操作类型的所配置的多个网络侧模型可位于同一网络侧位置或通过网络接口连接分布在不同的位置。

36、在根据第一方面的方法的一些实施例中，该方法的特征在于，每种网络侧模型可针对所确定的ue组激活特定模型训练操作类型。

37、在根据第一方面的方法的一些实施例中，该方法的特征在于，可跨不同的网络侧模型协同模型训练，这些不同的网络侧模型与它们自己的ue组相关联。

38、在根据第一方面的方法的一些实施例中，该方法的特征在于，用于信息交换的相关联的参数值集与模型训练操作类型之间的映射关系可在网络侧基于具有不同模型应用/功能的ml部署场景进行预设。

39、在根据第一方面的方法的一些实施例中，该方法的特征在于，基于装置训练能力信息对用于模型训练的目标ue的分组可由网络侧确定。

40、在根据第一方面的方法的一些实施例中，该方法的特征在于，可同时启用两种或更多种模型训练操作类型，以在网络侧与ue侧之间进行单侧或双侧模型训练。

41、在根据第一方面的方法的一些实施例中，该方法的特征在于，ue可从网络侧接收ml模型训练配置信息，包括用于信息交换的相关联的参数值集与模型训练操作类型之间的映射关系。

42、在根据第一方面的方法的一些实施例中，该方法的特征在于，在激活特定模型训练操作类型之后，ue可基于映射关系表向网络侧提供所配置的参数值信息。

43、根据第二方面，本公开通过所提出的实施例解决了所引述的问题，并且通过一种用于在无线通信系统中配置多种类型的模型训练操作的多训练模型操作信令的设备进行描述，该设备包括无线收发器、与存储器耦合的处理器，在该存储器中存储计算机程序指令，这些指令被配置为执行第一方面的步骤。

44、根据第三方面，本公开通过所提出的实施例解决了所引述的问题，并且通过一种用户设备进行描述，该用户设备包括根据第二方面的设备。

45、根据第四方面，本公开通过所提出的实施例解决了所引述的问题，并且通过一种gnb进行描述，该gnb包括根据第二方面的设备。

46、根据第五方面，本公开涉及一种用于配置多种类型的模型训练操作的多训练模型操作信令的无线通信，其中这些无线通信系统包括至少一个根据第三方面的用户设备、至少一个根据第四方面的gnb，借此该用户设备和该gnb各自包括与存储器耦合的处理器，在该存储器中存储计算机程序指令。

47、根据第六方面，本公开涉及一种计算机程序产品，该计算机程序产品包括指令，这些指令在由至少一个处理器执行时将该至少一个处理器配置为执行根据第一方面的方法，将该至少一个处理器配置为执行根据本公开的实施例中的任一者的用于交换数据的方法。该计算机程序产品可使用任何编程语言，并且可以是源代码、目标代码的形式，或者是源代码与目标代码之间的任何中间形式，诸如部分编译形式，或者是任何其他期望形式。

48、根据第六方面，本公开涉及一种计算机可读存储介质，该计算机可读存储介质包括指令，这些指令在由至少一个处理器执行时将该至少一个处理器配置为执行根据本公开的实施例中的任一者所述的方法。

技术实现思路