[go: up one dir, main page]

TW202139638A - 通道狀態資訊(csi)學習 - Google Patents

通道狀態資訊(csi)學習 Download PDF

Info

Publication number
TW202139638A
TW202139638A TW110106414A TW110106414A TW202139638A TW 202139638 A TW202139638 A TW 202139638A TW 110106414 A TW110106414 A TW 110106414A TW 110106414 A TW110106414 A TW 110106414A TW 202139638 A TW202139638 A TW 202139638A
Authority
TW
Taiwan
Prior art keywords
updated
csi
coefficients
decoder
encoder
Prior art date
Application number
TW110106414A
Other languages
English (en)
Other versions
TWI895365B (zh
Inventor
泰尚 柳
帕樊庫馬爾 維泰拉德芙尼
納嘉 布桑
南宮俊
克瑞許納奇藍 穆卡維利
庭方 季
傑庫馬 桑達拉拉貞
Original Assignee
美商高通公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商高通公司 filed Critical 美商高通公司
Publication of TW202139638A publication Critical patent/TW202139638A/zh
Application granted granted Critical
Publication of TWI895365B publication Critical patent/TWI895365B/zh

Links

Images

Classifications

    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0026—Transmission of channel quality indication
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0028—Formatting
    • H04L1/0029—Reduction of the amount of signalling, e.g. retention of useful signalling or differential signalling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signalling, i.e. of overhead other than pilot signals
    • H04L5/0057—Physical resource allocation for CQI
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0091—Signalling for the administration of the divided path, e.g. signalling of configuration information
    • H04L5/0094—Indication of how sub-channels of the path are allocated
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/231—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the layers above the physical layer, e.g. RRC or MAC-CE signalling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/047—Probabilistic or stochastic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0417—Feedback systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一種由使用者設備（UE）進行的無線通訊方法：在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器。該方法亦包括以下步驟：基於觀察到的通道和幹擾條件來訓練CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數。該方法亦包括以下步驟：接收對用於該等經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示。該方法包括以下步驟：根據對資源的該指示來向基地站傳輸經更新的解碼器係數和經更新的編碼器係數。此外，該方法包括以下步驟：從基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練。

Description

通道狀態資訊（CSI）學習
本專利申請案主張於2020年2月24日提出申請的並且名稱為「CHANNEL STATE INFORMATION (CSI) LEARNING」的美國臨時專利申請案第62/980,907的優先權，上述申請案的揭示內容明確地經由引用方式整體併入本文中。
概括而言，本案內容的各態樣係關於無線通訊，以及更具體地，本案內容的各態樣係關於用於聯邦（federated）通道狀態資訊（CSI）學習的技術和裝置。
無線通訊系統被廣泛地部署以提供諸如電話、視訊、資料、訊息傳遞以及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用可用的系統資源（例如，頻寬、傳輸功率等）來支援與多個使用者進行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、分時同步分碼多工存取（TD-SCDMA）系統以及長期進化（LTE）。LTE/改進的LTE是對由第三代合作夥伴計畫（3GPP）發佈的通用行動電信系統（UMTS）行動服務標準的增強集。
無線通訊網路可以包括能夠支援針對多個使用者設備（UE）的通訊的多個基地站（BS）。使用者設備（UE）可以經由下行鏈路和上行鏈路與基地站（BS）進行通訊。下行鏈路（或前向鏈路）代表從BS到UE的通訊鏈路，以及上行鏈路（或反向鏈路）代表從UE到BS的通訊鏈路。如本文將更加詳細描述的，BS可以被稱為節點B、gNB、存取點（AP）、無線電頭端、傳輸接收點（TRP）、新無線電（NR）BS、5G節點B等。
已經在各種電信標準中採用了上文的多工存取技術，以提供使得不同的使用者設備能夠在城市、國家、地區，以及甚至全球級別上進行通訊的共用協定。新無線電（NR）（其亦可以被稱為5G）是對由第三代合作夥伴計畫（3GPP）發佈的LTE行動服務標準的增強集。NR被設計為經由改良頻譜效率、降低成本、改良服務、利用新頻譜以及在下行鏈路（DL）上使用具有循環字首（CP）的正交分頻多工（OFDM）（CP-OFDM）、在上行鏈路（UL）上使用CP-OFDM及/或SC-FDM（例如，亦被稱為離散傅裡葉變換展頻OFDM（DFT-s-OFDM））來更好地與其他開放標準整合，以及支援波束成形、多輸入多輸出（MIMO）天線技術和載波聚合，從而更好地支援行動寬頻網際網路存取。然而，隨著對行動寬頻存取的需求持續增長，存在對NR和LTE技術進行進一步改良的需求。較佳地，該等改良應該適用於其他多工存取技術以及採用該等技術的電信標準。
人工神經網路可以包括互連的人工神經元群組（例如，神經元模型）。人工神經網路可以是計算設備或表示為要由計算設備執行的方法。迴旋神經網路（諸如深度迴旋神經網路）是一類前饋人工神經網路。迴旋神經網路可以包括可以被配置在平鋪的感受野中的神經元層。將神經網路處理應用於無線通訊以實現更高的效率將是期望的。
在本案內容的一些態樣中，一種由使用者設備（UE）進行的無線通訊方法可以包括以下步驟：在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器。該方法亦可以包括以下步驟：基於觀察到的通道和幹擾條件來訓練該CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數。該方法亦可以包括以下步驟：接收對用於該等經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示。該方法包括以下步驟：根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數。此外，該方法包括以下步驟：從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練。
在一些態樣中，一種由基地站進行無線通訊的方法包括以下步驟：經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向多個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器。該方法亦可以包括以下步驟：指派用於接收用於該CSI解碼器和CSI編碼器的經更新的CSI係數的資源。該方法亦包括以下步驟：根據所指派的資源來從該複數個UE接收經更新的CSI係數。該方法亦包括以下步驟：提取用於UE子集的與經更新的係數相關聯的共用層的權重。該方法基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重。此外，該方法亦將經更新的共用權重分發給該UE子集。
一種用於無線通訊的使用者設備（UE）的裝置可以包括記憶體和操作性地耦合到該記憶體的一或多個處理器。該記憶體和該處理器可以在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器。該UE可以基於觀察到的通道和幹擾條件來訓練該CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數。該UE亦可以接收對用於該等經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示。該UE亦可以根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數。該UE亦可以從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練。
一種用於無線通訊的基地站的裝置可以包括記憶體和操作性地耦合到該記憶體的一或多個處理器。該記憶體和該處理器可以經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向多個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器。該基地站可以指派用於接收用於該CSI解碼器和CSI編碼器的經更新的CSI係數的資源。該基地站可以根據所指派的資源來從該等UE接收經更新的CSI係數。該基地站亦可以提取用於UE子集的與經更新的係數相關聯的共用層的權重。該基地站亦可以基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重。該基地站亦可以將經更新的共用權重分發給該UE子集。
一種用於無線通訊的使用者設備（UE）可以包括：用於在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器的構件。該UE亦可以包括：用於基於觀察到的通道和幹擾條件來訓練該CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數的構件。該UE亦可以包括：用於接收對用於該等經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示的構件。該UE包括：用於根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的構件。此外，該UE包括：用於從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練的構件。
一種用於無線通訊的基地站可以包括：用於經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向多個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器的構件。該基地站亦可以包括：用於指派用於接收用於該CSI解碼器和CSI編碼器的經更新的CSI係數的資源的構件。該基地站亦包括：用於根據所指派的資源來從該複數個UE接收經更新的CSI係數的構件。該基地站亦包括：用於提取用於UE子集的與經更新的係數相關聯的共用層的權重的構件。該基地站包括：用於基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重的構件。此外，該UE包括：用於將經更新的共用權重分發給該UE子集的構件。
一種非暫時性電腦可讀取媒體可以包括由使用者設備處理器執行的程式碼。該媒體可以包括：用於經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向多個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器的程式碼。
該媒體可以包括：用於在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器的程式碼。該媒體可以包括：用於基於觀察到的通道和幹擾條件來訓練該CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數的程式碼。該媒體亦可以包括：用於接收對用於該等經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示的程式碼。該媒體亦可以包括：用於根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的程式碼。該媒體亦可以包括：用於從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練的程式碼。
一種非暫時性電腦可讀取媒體可以包括由基地站執行的程式碼。該媒體可以包括：用於指派用於接收用於該CSI解碼器和CSI編碼器的經更新的CSI係數的資源的程式碼。該媒體可以包括：用於根據所指派的資源來從該等UE接收經更新的CSI係數的程式碼。該媒體亦可以包括：用於提取用於UE子集的與經更新的係數相關聯的共用層的權重的程式碼。該媒體亦可以包括：用於基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重的程式碼。該媒體亦可以包括：用於將經更新的共用權重分發給該UE子集的程式碼。
概括而言，各態樣包括如本文中參考附圖和說明書大體上描述的並且如經由附圖和說明書說明的方法、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、無線通訊設備和處理系統。
前文已經相當廣泛地概述了根據本案內容的實例的特徵和技術優勢，以便可以更好地理解下文的具體實施方式。下文將描述額外的特徵和優勢。所揭示的概念和特定實例可以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。此種等效構造不脫離所附的請求項的範疇。當結合附圖考慮時，根據下文的描述，將更好地理解本文揭示的概念的特性（其組織和操作方法兩者）以及相關聯的優勢。附圖之每一者附圖是出於說明和描述的目的來提供的，而並不作為對請求項的限制的定義。
下文參考附圖更加充分描述了本案內容的各個態樣。然而，本案內容可以以許多不同的形式來體現，以及不應當被解釋為限於遍及本案內容所呈現的任何特定的結構或功能。而是，提供該等態樣使得本案內容將是全面和完整的，以及將向熟習此項技術者充分傳達本案內容的範疇。基於本文的教示，熟習此項技術者應當認識到的是，本案內容的範疇意欲涵蓋本文所揭示的本案內容的任何態樣，無論該態樣是獨立於本案內容的任何其他態樣來實現的還是與任何其他態樣結合地來實現的。例如，使用所闡述的任何數量的態樣，可以實現裝置或可以實踐方法。此外，本案內容的範疇意欲涵蓋使用除了所闡述的本案內容的各個態樣之外或不同於所闡述的本案內容的各個態樣的其他結構、功能，或者結構和功能來實踐的此種裝置或方法。應當理解的是，所揭示的本案內容的任何態樣可以經由請求項的一或多個元素來體現。
現在將參考各種裝置和技術來提供電信系統的若干態樣。該等裝置和技術將經由各種方塊、模組、元件、電路、步驟、程式、演算法等（被統稱為「元素」）在下文的具體實施方式中進行描述，以及在附圖中進行圖示。該等元素可以使用硬體、軟體或其組合來實現。此種元素是實現為硬體還是軟體，取決於特定的應用以及施加在整體系統上的設計約束。
應當注意的是，儘管可能使用通常與5G以及之後的無線技術相關聯的術語來描述各態樣，但是本案內容的各態樣可以應用於基於其他世代的通訊系統（諸如以及包括3G及/或4G技術）。
圖1是圖示可以在其中實踐本案內容的各態樣的網路100的圖。網路100可以是5G或NR網路或某種其他無線網路（諸如LTE網路）。無線網路100可以包括多個BS 110（被示為BS 110a、BS 110b、BS 110c和BS 110d）和其他網路實體。BS是與使用者設備（UE）進行通訊的實體以及亦可以被稱為基地站、NR BS、節點B、gNB、5G節點B（NB）、存取點、傳輸接收點（TRP）等。每個BS可以提供針對特定地理區域的通訊覆蓋。在3GPP中，術語「細胞」可以代表BS的覆蓋區域及/或為該覆蓋區域服務的BS子系統，此情形取決於使用該術語的上下文。
BS可以提供針對巨集細胞、微微細胞、毫微微細胞及/或另一類型的細胞的通訊覆蓋。巨集細胞可以覆蓋相對大的地理區域（例如，半徑為若干公里），以及可以允許由具有服務訂閱的UE進行的不受限制的存取。微微細胞可以覆蓋相對小的地理區域，以及可以允許由具有服務訂閱的UE進行的不受限制的存取。毫微微細胞可以覆蓋相對小的地理區域（例如，住宅），以及可以允許由與該毫微微細胞具有關聯的UE（例如，封閉用戶群組（CSG）中的UE）進行的受限制的存取。用於巨集細胞的BS可以被稱為巨集BS。用於微微細胞的BS可以被稱為微微BS。用於毫微微細胞的BS可以被稱為毫微微BS或家庭BS。在圖1中圖示的實例中，BS 110a可以是用於巨集細胞102a的巨集BS，BS 110b可以是用於微微細胞102b的微微BS，以及BS 110c可以是用於毫微微細胞102c的毫微微BS。BS可以支援一或多個（例如，三個）細胞。術語「eNB」、「基地站」、「NR BS」、「gNB」、「TRP」、「AP」、「節點B」、「5G NB」和「細胞」在本文中可以互換地使用。
在一些態樣中，細胞可能未必是靜止的，以及細胞的地理區域可以根據行動BS的位置進行移動。在一些態樣中，BS可以經由各種類型的回載介面（諸如直接實體連接、虛擬網路，及/或使用任何適當的傳輸網路的類似介面）來彼此互連及/或與無線網路100中的一或多個其他BS或網路節點（未圖示）互連。
無線網路100亦可以包括中繼站。中繼站是可以從上游站（例如，BS或UE）接收資料傳輸並且將資料傳輸發送給下游站（例如，UE或BS）的實體。中繼站亦可以是能夠針對其他UE中繼傳輸的UE。在圖1中圖示的實例中，中繼站110d可以與巨集BS 110a和UE 120d進行通訊，以便促進BS 110a與UE 120d之間的通訊。中繼站亦可以被稱為中繼BS、中繼基地站、中繼器等。
無線網路100可以是包括不同類型的BS（例如，巨集BS、微微BS、毫微微BS、中繼BS等）的異質網路。該等不同類型的BS可以具有不同的傳輸功率位準、不同的覆蓋區域以及對無線網路100中的幹擾的不同影響。例如，巨集BS可以具有高傳輸功率位準（例如，5到40瓦特），而微微BS、毫微微BS和中繼BS可以具有較低的傳輸功率位準（例如，0.1到2瓦特）。
網路控制器130可以耦合到一組BS，以及可以提供針對該等BS的協調和控制。網路控制器130可以經由回載與BS進行通訊。BS亦可以經由無線或有線回載（例如，直接地或間接地）與彼此進行通訊。
UE 120（例如，120a、120b、120c）可以是遍及無線網路100散佈的，以及每個UE可以是靜止的或行動的。UE亦可以被稱為存取終端、終端、行動站、用戶單元、站等。UE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、平板設備、相機、遊戲設備、小筆電、智慧型電腦、超極本、醫療設備或裝置、生物計量感測器/設備、可穿戴設備（智慧手錶、智慧服裝、智慧眼鏡、智慧腕帶、智慧珠寶（例如，智慧指環、智慧手鏈等））、娛樂設備（例如，音樂或視訊設備，或衛星無線電單元等）、車載元件或感測器、智慧型儀器表/感測器、工業製造設備、全球定位系統設備或者被配置為經由無線或有線媒體進行通訊的任何其他適當的設備。
一些UE可以被認為是機器類型通訊（MTC）或者進化型或增強型機器類型通訊（eMTC）UE。MTC和eMTC UE包括例如機器人、無人機、遠端設備、感測器、儀錶、監視器、位置標籤等，上述各項可以與基地站、另一設備（例如，遠端設備）或某個其他實體進行通訊。無線節點可以例如經由有線或無線通訊鏈路來提供針對網路（例如，諸如網際網路或蜂巢網路的廣域網路）的連接或到網路的連接。一些UE可以被認為是物聯網路（IoT）設備，及/或可以被實現成NB-IoT（窄頻物聯網路）設備。一些UE可以被認為是客戶駐地設備（CPE）。UE 120可以被包括在容納UE 120的元件（諸如處理器元件、記憶體元件等）的殼體內部。
通常，可以在給定的地理區域中部署任何數量的無線網路。每個無線網路可以支援特定的RAT以及可以在一或多個頻率上操作。RAT亦可以被稱為無線電技術、空中介面等。頻率亦可以被稱為載波、頻率通道等。每個頻率可以在給定的地理區域中支援單個RAT，以便避免不同RAT的無線網路之間的幹擾。在一些情況下，可以部署NR或5G RAT網路。
在一些態樣中，兩個或更多個UE 120（例如，被示為UE 120a和UE 120e）可以使用一或多個側行鏈路通道直接地進行通訊（例如，而不使用基地站110作為彼此進行通訊的仲介）。例如，UE 120可以使用同級間（P2P）通訊、設備到設備（D2D）通訊、運載工具到萬物（V2X）協定（例如，其可以包括運載工具到運載工具（V2V）協定、運載工具到基礎設施（V2I）協定等）、網狀網路等進行通訊。在此種情況下，UE 120可以執行排程操作、資源選擇操作及/或本文中其他地方被描述為由基地站110執行的其他操作。
如上文指示的，圖1僅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圖示基地站110和UE 120（基地站110和UE 120可以是圖1中的基地站中的一個基地站以及UE中的一個UE）的設計200的方塊圖。基地站110可以被配備有T個天線234a至234t，以及UE 120可以被配備有R個天線252a至252r，其中一般而言，T≥1且R≥1。
在基地站110處，傳輸處理器220可以從資料來源212接收針對一或多個UE的資料，至少部分地基於從每個UE接收的通道品質指示符（CQI）來選擇用於該UE的一或多個調制和編碼方案（MCS），至少部分地基於被選擇用於每個UE的MCS來處理（例如，編碼和調制）針對該UE的資料，以及針對全部UE提供資料符號。傳輸處理器220亦可以處理系統資訊（例如，針對半靜態資源劃分資訊（SRPI）等）和控制資訊（例如，CQI請求、容許、上層信號傳遞等），以及提供管理負擔符號和控制符號。傳輸處理器220亦可以產生用於參考信號（例如，細胞特定參考信號（CRS））和同步信號（例如，主要同步信號（PSS）和次要同步信號（SSS））的參考符號。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）（若適用的話），以及可以向T個調制器（MOD）232a至232t提供T個輸出符號串流。每個調制器232可以（例如，針對OFDM等）處理相應的輸出符號串流以獲得輸出取樣串流。每個調制器232可以進一步處理（例如，轉換到類比、放大、濾波以及升頻轉換）輸出取樣串流以獲得下行鏈路信號。可以分別經由T個天線234a至234t來傳輸來自調制器232a至232t的T個下行鏈路信號。根據下文的更加詳細描述的各個態樣，可以利用位置編碼產生同步信號以傳送額外的資訊。
在UE 120處，天線252a至252r可以從基地站110及/或其他基地站接收下行鏈路信號，以及可以分別向解調器（DEMOD）254a至254r提供接收的信號。每個解調器254可以調節（例如，濾波、放大、降頻轉換以及數位化）接收的信號以獲得輸入取樣。每個解調器254可以（例如，針對OFDM等）進一步處理輸入取樣以獲得接收符號。MIMO偵測器256可以從全部R個解調器254a至254r獲得接收符號，對接收符號執行MIMO偵測（若適用的話），以及提供偵測到的符號。接收處理器258可以處理（例如，解調和解碼）所偵測到的符號，向資料槽260提供針對UE 120的經解碼的資料，以及向控制器/處理器280提供經解碼的控制資訊和系統資訊。通道處理器可以決定參考信號接收功率（RSRP）、接收信號強度指示符（RSSI）、參考信號接收品質（RSRQ）、通道品質指示符（CQI）等。在一些態樣中，UE 120的一或多個元件可以被包括在殼體中。
在上行鏈路上，在UE 120處，傳輸處理器264可以接收以及處理來自資料來源262的資料和來自控制器/處理器280的控制資訊（例如，用於包括RSRP、RSSI、RSRQ、CQI等的報告）。傳輸處理器264亦可以產生用於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（若適用的話），由調制器254a至254r（例如，針對DFT-s-OFDM、CP-OFDM等）進一步處理，以及被傳輸給基地站110。在基地站110處，來自UE 120和其他UE的上行鏈路信號可以由天線234接收，由解調器254處理，由MIMO偵測器236偵測（若適用的話），以及由接收處理器238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，以及向控制器/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以及經由通訊單元244來與網路控制器130進行通訊。網路控制器130可以包括通訊單元294、控制器/處理器290和記憶體292。
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中的任何其他元件可以執行與聯邦CSI學習相關聯的一或多個技術，如其他地方更詳細描述的。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中的任何其他元件可以執行或導引例如圖8和圖9的程式800、900及/或如所描述的其他程式的操作。記憶體242和282可以分別儲存用於基地站110和UE 120的資料和程式碼。排程器246可以排程UE用於下行鏈路及/或上行鏈路上的資料傳輸。
在一些態樣，UE 120可以包括：用於接收的構件、用於訓練的構件、用於傳輸的構件、用於指派的構件、用於提取權重的構件、用於產生經更新的共用權重的構件以及用於分發經更新的共用權重的構件。此種構件可以包括結合圖2描述的UE 120或基地站110的一或多個元件。
如上文指示的，圖2僅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。
在一些情況下，支援不同類型的應用及/或服務的不同類型的設備可以在細胞中共存。不同類型的設備的實例包括UE手持設備、客戶駐地設備（CPE）、運載工具、物聯網路（IoT）設備等。不同類型的應用的實例包括超可靠低時延通訊（URLLC）應用、大規模機器類型通訊（mMTC）應用、增強型行動寬頻（eMBB）應用、運載工具到萬物（V2X）應用等。此外，在一些情況下，單個設備可以同時地支援不同的應用或服務。
圖3根據本案內容的某些態樣圖示晶片上系統（SOC）300的示例性實現方式，SOC 300可以包括被配置用於聯邦CSI學習的中央處理單元（CPU）302或多核CPU。SOC 300可以被包括在基地站110或UE 120中。變數（例如，神經信號和突觸權重）、與計算設備（例如，具有權重的神經網路）相關聯的系統參數、延遲、頻段資訊和任務資訊可以被儲存在與神經處理單元（NPU）308相關聯的記憶體區塊中、與CPU 302相關聯的記憶體區塊中、與圖形處理單元（GPU）304相關聯的記憶體區塊中、與數位信號處理器（DSP）306相關聯的記憶體區塊中、記憶體區塊318中，或者可以分佈在多個區塊上。在CPU 302處執行的指令可以從與CPU 302相關聯的程式記憶體載入或者可以從記憶體區塊318載入。
SOC 300亦可以包括針對特定功能定製的額外的處理區塊，諸如GPU 304、DSP 306、連接區塊310（其可以包括第五代（5G）連接性、第四代長期進化（4G LTE）連接性、Wi-Fi連接性、USB連接性、藍芽連接性等）以及可以例如偵測和辨認手勢的多媒體處理器312。在一個實現方式中，在CPU、DSP及/或GPU中實現NPU。SOC 300亦可以包括感測器處理器314、圖像信號處理器（ISP）316及/或導航模組320（其可以包括全球定位系統）。
SOC 300可以是基於ARM指令集的。在本案內容的一態樣中，載入到通用處理器302中的指令可以包括：用於在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器的代碼。載入到通用處理器302中的指令亦可以包括：用於基於觀察到的通道和幹擾條件來訓練該CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數的代碼。載入到通用處理器302中的指令亦可以包括：用於接收對用於經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示的代碼；及用於根據對資源的指示來向該基地站傳輸經更新的解碼器係數和經更新的編碼器係數的代碼。載入到通用處理器302中的指令亦可以包括：用於從基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練的代碼。
在另一態樣中，載入到通用處理器302中的指令亦可以包括：用於指派用於接收用於CSI解碼器和CSI編碼器的經更新的CSI係數的資源的代碼；用於根據所指派的資源來從複數個UE接收經更新的CSI係數的代碼；及用於提取用於UE子集的與經更新的係數相關聯的共用層的權重的代碼。載入到通用處理器302中的指令亦可以包括：用於基於所提取的權重來產生用於CSI編碼器和CSI解碼器的經更新的共用權重的代碼；及用於將經更新的共用權重分發給UE子集的代碼。
深度學習架構可以經由學習表示在每個層中在連續較高抽象級別上的輸入來執行物件辨識任務，從而建立輸入資料的有用特徵表示。以此種方式，深度學習解決了傳統機器學習的主要瓶頸。在深度學習出現之前，物件辨識問題的機器學習方法可能在很大程度上依賴於人類工程特徵，可能結合了淺分類器。淺分類器可以是兩類線性分類器，例如，其中可以將特徵向量分量的加權和與閾值進行比較以預測輸入屬於何者類。人類工程特徵可以是由具有領域專業知識的工程師針對特定問題領域定製的範本或核心。相比之下，深度學習架構可以學習表示與人類工程師可能設計的特徵相似但是經由訓練的特徵。此外，深度網路可以學習表示和辨識人類可能沒有考慮過的新類型的特徵。
深度學習架構可以學習特徵的層次結構。例如，若利用視覺資料來呈現，則第一層可以學習辨識輸入串流中相對簡單的特徵，諸如邊緣。在另一實例中，若利用聽覺資料來呈現，則第一層可以學習辨識特定頻率中的頻譜功率。將第一層的輸出作為輸入的第二層可以學習辨識特徵的組合，諸如用於視覺資料的簡單形狀或用於聽覺資料的聲音的組合。例如，較高層可以學習表示視覺資料中的複雜的形狀，或者表示聽覺資料中的詞語。更高層可以學習辨識常見的視覺物件或口語短語。
深度學習架構在應用於具有自然分層結構的問題時可以執行得特別好。例如，對機動車輛的分類可以受益於首先學習辨識車輪、擋風玻璃和其他特徵。該等特徵可以以不同的方式在較高層處組合，以辨識汽車、卡車和飛機。
神經網路可以被設計為具有各種各樣的連接性模式。在前饋網路中，資訊從較低層傳遞到較高層，其中給定層之每一者神經元向較高層中的神經元進行傳送。可以在前饋網路的連續層中構建分層表示，如前述。神經網路亦可以具有循環或回饋（亦被稱為自頂向下）連接。在循環連接中，來自給定層中的神經元的輸出可以被傳送給相同的層中的另一神經元。循環架構可以有助於辨識橫跨按順序被傳遞給神經網路的輸入資料區塊中的多於一個的資料區塊的模式。從給定層中的神經元到較低層中的神經元的連接被稱為回饋（或自頂向下）連接。當辨識高級別概念可以輔助區分輸入的特定低級別特徵時，具有許多回饋連接的網路可能是有幫助的。
神經網路的各層之間的連接可以是完全連接或局部連接的。圖4A圖示完全連接的神經網路402的實例。在完全連接的神經網路402中，第一層中的神經元可以將其輸出傳送給第二層之每一者神經元，使得第二層之每一者神經元將接收來自第一層之每一者神經元的輸入。圖4B圖示局部連接的神經網路404的實例。在局部連接的神經網路404中，第一層中的神經元可以連接到第二層中的有限數量的神經元。更一般地，局部連接的神經網路404的局部連接的層可以被配置為使得層之每一者神經元將具有相同或相似的連接性模式，但是連接強度可以具有不同的值（例如410、412、414和416）。局部連接的連接性模式可以在較高層中產生空間上不同的感受野，因為給定區域中的較高層神經元可以接收經由訓練被調諧到網路的總輸入的受限部分的特性的輸入。
局部連接的神經網路的一個實例是迴旋神經網路。圖4C圖示迴旋神經網路406的實例。迴旋神經網路406可以被配置為使得與用於第二層之每一者神經元的輸入相關聯的連接強度被共用（例如，408）。迴旋神經網路可能非常適合於在其中輸入的空間位置有意義的問題。
一種類型的迴旋神經網路是深度迴旋網路（DCN）。圖4D圖示DCN 400的詳細實例，DCN 400被設計為從來自圖像擷取設備430（諸如車載相機）的輸入的圖像426中辨識視覺特徵。可以訓練當前實例的DCN 400來辨識交通標誌和交通標誌上提供的數值。當然，DCN 400可以被訓練用於其他任務，諸如辨識車道標線或辨識交通燈。
可以利用有監督學習來訓練DCN 400。在訓練期間，可以向DCN 400呈現諸如限速標誌的圖像426的圖像，以及隨後可以計算前向傳遞以產生輸出422。DCN 400可以包括特徵提取部分和分類部分。在接收到圖像426之後，迴旋層432可以將迴旋核心（未圖示）應用於圖像426以產生第一特徵圖集合418。作為實例，用於迴旋層432的迴旋核心可以是產生28x28特徵圖的5x5核心。在本實例中，因為在第一特徵圖集合418中產生了四個不同的特徵圖，所以在迴旋層432處向圖像426應用了四個不同的迴旋核心。迴旋核心亦可以被稱為濾波器或迴旋濾波器。
第一特徵圖集合418可以由最大池化層（未圖示）進行子取樣以產生第二特徵圖集合420。最大池化層減少了第一特徵圖集合418的尺寸。亦即，第二特徵圖集合420的尺寸（諸如14x14）小於第一特徵圖集合418的尺寸（諸如28x28）。減少的尺寸向後續層提供類似的資訊，同時減少記憶體消耗。第二特徵圖集合420可以經由一或多個後續迴旋層（未圖示）進一步被迴旋，以產生一或多個後續特徵圖集合（未圖示）。
在圖4D的實例中，第二特徵圖集合420被迴旋以產生第一特徵向量424。此外，第一特徵向量424進一步被迴旋以產生第二特徵向量428。第二特徵向量428的每個特徵可以包括與圖像426的可能的特徵（諸如「標誌」、「60」和「100」）相對應的數值。softmax函數（未圖示）可以將第二特徵向量428中的數值轉換為概率。照此，DCN 400的輸出422是圖像426包括一或多個特徵的概率。
在本實例中，輸出422中「標誌」和「60」的概率高於輸出422的其他項（諸如「30」、「40」、「50」、「70」、「80」、「90」和「100」）的概率。在訓練之前，由DCN 400產生的輸出422很可能不正確。因此，可以計算輸出422與目標輸出之間的誤差。目標輸出是圖像426的基本真值（例如，「標誌」和「60」）。隨後可以調整DCN 400的權重，使得DCN 400的輸出422與目標輸出更緊密地對準。
為了調整權重，學習演算法可以針對權重計算梯度向量。梯度可以指示若調整權重，則誤差將增加或減少的量。在頂層處，梯度可以直接地對應於連接倒數第二層中的啟用神經元和輸出層中的神經元的權重的值。在較低層中，梯度可以取決於權重的值和較高層的計算誤差梯度。隨後可以調整權重以減少誤差。此種調整權重的方式可以被稱為「反向傳播」，因為該方式涉及經由神經網路的「向後傳遞」。
在實踐中，可以在少量實例上計算權重的誤差梯度，使得計算的梯度近似於真實誤差梯度。此種近似方法可以被稱為隨機（stochastic）梯度下降。可以重複隨機梯度下降，直到整個系統的可實現誤差率已經停止下降為止或者直到誤差率已經達到目標水準為止。在學習之後，可以向DCN呈現新圖像（例如，圖像426的限速標誌），以及經由網路的前向傳遞可以產生可以被認為是DCN的推斷或預測的輸出422。
深度信任網路（DBN）是包括隱藏節點的多個層的概率模型。DBN可以用於提取訓練資料集合的分層表示。可以經由將受限玻爾茲曼機（RBM）的層疊加來獲得DBN。RBM是一類可以學習輸入集合上的概率分佈的人工神經網路。由於RBM可以在不存在關於每個輸入應當被分類到的類的資訊的情況下學習概率分佈，因此RBM通常用於無監督學習。使用混合的無監督和有監督範式，DBN的底部RBM可以以無監督的方式進行訓練以及可以用作特徵提取器，以及頂部RBM可以以有監督的方式進行訓練（基於來自先前層的輸入和目標類的聯合分佈）以及可以用作分類器。
深度迴旋網路（DCN）是迴旋網路的網路，其被配置有額外的池化和正規化層。DCN已經在許多任務上實現了最先進的效能。可以使用有監督學習來訓練DCN，其中輸入和輸出目標對於許多取樣皆是已知的並且用於經由使用梯度下降方法來修改網路的權重。
DCN可以是前饋網路。另外，如前述，從DCN的第一層中的神經元到下一較高層中的神經元群組的連接是跨越第一層中的神經元被共用的。DCN的前饋和共用連接可以被利用於快速處理。例如，DCN的計算負擔可以比包括循環或回饋連接的類似尺寸的神經網路的計算負擔小得多。
對迴旋網路的每個層的處理可以被認為是空間不變範本或基投影。若首先將輸入分解為多個通道，諸如彩色圖像的紅色、綠色和藍色通道，則在該輸入上訓練的迴旋網路可以被認為是三維的，具有沿圖像的軸的兩個空間維度和擷取顏色資訊的第三維度。迴旋連接的輸出可以被認為在後續層中形成特徵圖，其中特徵圖的每個元素（例如，220）接收來自先前層（例如，特徵圖218）中的一系列神經元和來自多個通道之每一者通道的輸入。可以利用非線性來進一步處理特徵圖中的值，諸如校正、max（0，x）。來自相鄰神經元的值可以進一步池化，此舉對應於下取樣，以及可以提供額外的局部不變性和降維。亦可以經由特徵圖中的神經元之間的橫向抑制來應用正規化（其對應於白化（whitening））。
隨著更多標記的資料點變得可用或隨著計算能力增加，深度學習架構的效能可以增加。一般而言，現代的深層神經網路是利用比15年前典型的研究人員可用的計算資源多上千倍的計算資源來訓練的。新的架構和訓練範式可以進一步提升深度學習的效能。校正的線性單元可以減少被稱為消失梯度的訓練問題。新的訓練技術可以減少過擬合，以及因此使更大的模型能夠實現更好的泛化。封裝技術可以在給定的感受野中對資料進行抽象化，以及進一步提升整體效能。
圖5是圖示深度迴旋網路550的方塊圖。深度迴旋網路550可以包括基於連接性和權重共用的多個不同類型的層。如圖5所示，深度迴旋網路550包括迴旋區塊554A、554B。迴旋區塊554A、554B之每一者迴旋區塊可以被配置有迴旋層（CONV）356、正規化層（LNorm）558和最大池化層（MAX POOL）560。
迴旋層556可以包括一或多個迴旋濾波器，其可以應用於輸入資料以產生特徵圖。儘管僅圖示兩個迴旋區塊554A、554B，但是本案內容不限制於此，以及替代地，可以根據設計偏好在深度迴旋網路550中包括任何數量的迴旋區塊554A、554B。正規化層558可以對迴旋濾波器的輸出進行正規化。例如，正規化層558可以提供白化或橫向抑制。最大池化層560可以提供空間上的下取樣聚合以用於局部不變性和降維。
例如，深度迴旋網路的並行濾波器組（filter bank）可以載入在SOC 300的CPU 302或GPU 304上，以實現高效能和低功耗。在替代實施例中，並行濾波器組可以載入在SOC 300的DSP 306或ISP 316上。另外，深度迴旋網路550可以存取SOC 300上可能存在的其他處理區塊，諸如分別專用於感測器和導航的感測器處理器314和導航模組320。
深度迴旋網路550亦可以包括一或多個完全連接的層562（FC1和FC2）。深度迴旋網路550亦可以包括邏輯回歸（LR）層564。在深度迴旋網路550的每個層556、558、560、562、564之間是要更新的權重（未圖示）。層（例如，556、558、560、562、564）之每一者層的輸出可以用作深度迴旋網路550中的層（例如，556、558、560、562、564）中的隨後的一個層的輸入，以從在迴旋區塊554A中的第一迴旋區塊處供應的輸入資料552（例如，圖像、音訊、視訊、感測器資料及/或其他輸入資料）學習分層特徵表示。深度迴旋網路550的輸出是輸入資料552的分類得分566。分類得分566可以是概率集合，其中每個概率是輸入資料（包括來自特徵集合的特徵）的概率。
如上文指示的，圖3-圖5是作為實例來提供的。其他實例可以不同於關於圖3-圖5所描述的實例。
人工智慧（AI）/機器學習（ML）演算法可以改良無線通訊。AI/ML模組可以在UE、基地站處執行，或者在分散式演算法的情況下可以跨越UE和基地站聯合地執行。在自動編碼器場景中，可以跨越UE和基地站發生聯合訓練。
大規模多輸入多輸出（MIMO）系統是5G以及以後系統的重要領域。為了實現大規模MIMO，可以由具有數百個甚至數千個集中式或分散式天線的基地站來分析下行鏈路通道狀態資訊（CSI），以解決使用者間幹擾以及增加通道容量。在UE處基於從基地站接收的信號（諸如CSI-RS）來進行CSI量測。將下行鏈路CSI量測從UE回饋到基地站以進行處理。
可以利用神經網路處理（例如，利用UE處的自動編碼器）來對大量CSI回饋進行壓縮。UE可以對通道狀態回饋進行編碼，以及在空中將經編碼的回饋傳輸給基地站。可以根據經由無線電資源控制（RRC）信號傳遞配置的等時線來從UE發送通道狀態回饋。在接收到資訊之後，基地站將接收到的經壓縮的通道狀態回饋值饋送到解碼器中以對通道狀態回饋進行近似。
圖6是根據本案內容的各態樣圖示示例性自動編碼器600的方塊圖。自動編碼器600包括具有迴旋層（Conv）和完全連接層（FC）的編碼器610。編碼器610接收通道實現及/或幹擾實現作為輸入，以及壓縮通道/幹擾實現。通道實現亦可以被稱為通道估計。幹擾實現亦可以被稱為幹擾估計。幹擾取決於環境，以及可以解決MIMO場景中的上行鏈路幹擾或串流間幹擾。
從編碼器610輸出經壓縮的通道狀態回饋。自動編碼器600亦具有解碼器620，解碼器620接收從編碼器610輸出的經壓縮的通道狀態回饋。解碼器620經由完全連接層和一系列迴旋層來傳遞接收到的資訊以恢復通道狀態（例如，對通道狀態進行近似）。
UE訓練編碼器610和解碼器620，以及偶爾向基地站傳輸解碼器係數。在較高的頻率處，UE向基地站發送編碼器610的輸出（例如，編碼器610的通道狀態回饋或經壓縮的輸出）。當UE從一個位置移動到另一位置時，解碼器620的權重可以改變。亦即，當通道環境改變時，解碼器權重（例如，係數）可以改變。因此，可以從UE向基地站回饋經更新的解碼器係數以反映變化的環境。換言之，UE可以基於現有環境來訓練解碼器，而不僅是編碼器。可以根據經由RRC信號傳遞配置的等時線來從UE發送係數。在一種配置中，發送係數的頻率低於發送通道狀態回饋的頻率。
每個UE不僅發送解碼器係數，亦發送編碼器係數。在從多個UE接收到經更新的解碼器/編碼器係數之後，基地站可以從回饋中學習共用特徵，以及隨後使UE或向UE提出更新網路係數。係數更新可以用於解碼器及/或編碼器。
一些使用者可以具有共用屬性。例如，對於通道狀態而言，坐在相同的咖啡廳的五個使用者將具有一些相似性，因為該等使用者在相同的環境中。本案內容的各態樣利用該等相似性來改良基地站和UE的效率。
為了利用相似性，基地站神經網路基於接收到的解碼器和編碼器係數來從UE神經網路中提取共用部分和唯一部分。「共用部分」代表神經網路的層及/或層的權重。神經網路的每一層提取通道的特定特徵。例如，相鄰UE在層一和層二中可以具有相似的權重，但是在其編碼器的層三中具有不同的權重。在該實例中，共用部分將是層一和層二的權重。
可以向現有UE及/或加入作為服務細胞的該基地站的新UE傳輸共用部分。例如，基地站可以決定用於UE子集的共用層。隨後，可以更新彼等共用層的權重以及將其傳輸給UE。亦即，在基地站傳輸初始神經網路結構之後，基地站可以稍後辨識共用層以及向多個UE（諸如UE子集）傳輸共用層權重。例如，由於共用環境，子集可以被定義為具有共用權重的鄰點。
UE子集可以接收與該子集中的其他UE相關聯的共用層權重。參考先前的實例，進入其中五個其他使用者就座的咖啡廳的新使用者可以接收共用層權重。經由接收共用層權重，UE子集可以更高效地學習解碼器和編碼器係數。亦即，基地站可以將係數推送給新使用者。新使用者在訓練其神經網路時可以從該等係數開始，以減少用於新使用者的訓練程式。咖啡廳中的新使用者的另一實例是從深度睡眠中喚醒的UE或接收到新的資料短脈衝的UE。
圖7根據本案內容的各態樣圖示用於學習的程式。UE 720a、720b、720c的群組向基地站710傳輸經壓縮的通道狀態回饋。基地站710具有與UE 720a-c中的每一者相對應的解碼器730a-730n。基地站710亦儲存用於每個UE 720a-c的編碼器（未圖示）。每個解碼器730a-n對接收到的通道狀態回饋進行解壓縮以恢復經近似的通道狀態1-通道狀態n。UE 720a-c亦向基地站710週期性地發送編碼器和解碼器權重，如方塊740中可見。解碼器權重可以更新解碼器730a-n。
基地站710分析接收到的解碼器權重和編碼器權重以提取共用部分。亦即，基地站710聚合從UE 720a-c接收的資訊以及推導新模型，如方塊750中可見。例如，可以對從各個UE 720a-c接收的共用層的權重進行平均。在一種配置中，對來自共用層的全部權重進行平均。在其他配置中，僅對來自共用層的權重的一部分進行平均。基地站710將更新（例如，新模型）推送給UE 720a-c以改良其對編碼器和解碼器係數的學習。基地站亦可以將更新推送到新UE（例如，UE 720d）以加速在新UE 720d處對編碼器和解碼器係數的訓練。
信號傳遞改變可以實現聯邦通道狀態學習。對於週期性傳輸，基地站可以向UE通知通道狀態回饋的頻率以及亦有係數更新的頻率。對於非週期傳輸，基地站可以提供針對係數的上行鏈路傳輸的上行鏈路容許。在排程衝突的情況下，可以經由RRC信號傳遞向UE提供用於實體上行鏈路共用通道（PUSCH）回饋的優先順序規則。例如，可以向通道狀態回饋指派最低優先順序。
引入了用於在媒體存取控制-控制元素（MAC-CE）或實體下行鏈路共用通道（PDSCH）上接收神經網路係數的新的UE能力。基地站可以在PDSCH上向UE傳輸神經網路（NN）係數。或者，可以提供新的MAC-CE以用於神經網路係數的傳輸。並非全部UE皆可以具有接收經更新的網路係數的能力。因此，可以引入新的模式以使得UE能夠經由解碼新的控制元素來接收經更新的係數。
圖8是根據本案內容的各個態樣圖示例如由UE執行的示例性程式800的圖。示例性程式800是聯邦通道狀態資訊（CSI）學習的實例。
如圖8所示，在一些態樣中，程式800可以包括：在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器（方塊810）。例如，UE（例如，使用天線252、DEMOD 254、MIMO偵測器256、接收處理器258、控制器/處理器280、記憶體282等）可以從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器。
如圖8所示，在一些態樣中，程式800可以包括：基於觀察到的通道和幹擾條件來訓練CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數（方塊820）。例如，UE（例如，使用控制器/處理器280、記憶體282等）可以基於觀察到的通道和幹擾條件來訓練CSI解碼器和CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數。
如圖8所示，在一些態樣中，程式800可以包括：接收對用於經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示（方塊830）。例如，UE（例如，使用天線252、DEMOD 254、MIMO偵測器256、接收處理器258、控制器/處理器280、記憶體282等）可以接收對用於經更新的編碼器係數和經更新的解碼器係數的傳輸的資源的指示。
如圖8所示，在一些態樣中，程式800可以包括：根據對資源的指示來向基地站傳輸經更新的解碼器係數和經更新的編碼器係數（方塊840）。例如，UE（例如，使用天線252、DEMOD 254、TX MIMO處理器266、傳輸處理器264、控制器/處理器280、記憶體282等）可以根據對資源的指示來向基地站傳輸經更新的解碼器係數和經更新的編碼器係數。
如圖8所示，在一些態樣中，程式800可以包括：從基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練（方塊850）。例如，UE（例如，使用天線252、DEMOD 254、MIMO偵測器256、接收處理器258、控制器/處理器280、記憶體282等）可以接收經更新的CSI解碼器和經更新的CSI編碼器。
圖9是根據本案內容的各個態樣圖示例如由基地站執行的示例性程式900的圖。示例性程式900是聯邦通道狀態資訊（CSI）學習的實例。
如圖9所示，在一些態樣中，程式900可以包括：經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向多個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器（方塊910）。例如，基地站（例如，使用天線234、MOD 232、TX MIMO處理器230、傳輸處理器220、控制器/處理器240、記憶體242等）可以向使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器。
如圖9所示，在一些態樣中，程式900可以包括：指派用於接收用於CSI解碼器和CSI編碼器的經更新的CSI係數的資源（方塊920）。例如，基地站（例如，使用控制器/處理器240、記憶體242等）可以指派用於接收用於CSI解碼器和CSI編碼器的經更新的CSI係數的資源。
如圖9所示，在一些態樣中，程式900可以包括：根據所指派的資源來從UE接收經更新的CSI係數（方塊930）。例如，基地站（例如，使用天線234、MOD 232、MIMO偵測器236、接收處理器238、控制器/處理器240、記憶體242等）可以根據所指派的資源來從UE接收經更新的CSI係數。
如圖9所示，在一些態樣中，程式900可以包括：提取用於UE子集的與經更新的係數相關聯的共用層的權重（方塊940）。例如，基地站（例如，使用控制器/處理器240、記憶體242等）可以提取共用層的權重。出於該等目的，基地站甚至可以採用分別的神經網路。
如圖9所示，在一些態樣中，程式900可以包括：基於所提取的權重來產生用於CSI編碼器和CSI解碼器的經更新的共用權重（方塊950）。例如，基地站（例如，使用控制器/處理器240、記憶體242等）可以基於提取的權重來產生經更新的共用權重。
如圖9所示，在一些態樣中，程式900可以包括：將經更新的共用權重分發給UE子集（方塊960）。例如，基地站（例如，使用天線234、MOD 232、TX MIMO處理器230、傳輸處理器220、控制器/處理器240、記憶體242等）可以分發經更新的共用權重。
在以下編號條款中描述了實現方式實例：
在以下編號條款中描述了實現方式實例： 1、一種由使用者設備（UE）進行無線通訊的方法，包括以下步驟： 在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器； 基於觀察到的通道和幹擾條件來訓練該CSI解碼器和該CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數； 接收對用於該等經更新的編碼器係數和該等經更新的解碼器係數的傳輸的資源的指示； 根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數；及 從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練。 2、根據條款1之方法，亦包括以下步驟：經由無線電資源控制（RRC）信號傳遞來接收被指派用於傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的衝突優先順序。 3、根據條款1或2之方法，亦包括以下步驟：根據經由RRC信號傳遞配置的等時線，傳輸從該經更新的CSI編碼器輸出的CSI回饋，以及亦傳輸該等經更新的編碼器係數和該等經更新的解碼器係數。 4、根據任何前述條款之方法，其中對資源的該指示包括針對週期性傳輸的上行鏈路容許或參數。 5、一種由基地站進行無線通訊的方法，包括以下步驟： 經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向複數個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器； 指派用於接收用於該CSI解碼器和該CSI編碼器的經更新的CSI係數的資源； 根據所指派的資源來從該複數個UE接收該等經更新的CSI係數； 提取用於UE子集的與經更新的係數相關聯的共用層的權重； 基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重；及 將該等經更新的共用權重分發給該UE子集。 6、根據條款5之方法，其中該UE子集包括新使用者。 7、根據條款5或6之方法，其中該UE子集包括接收新資料短脈衝的現有使用者。 8、一種用於無線通訊的使用者設備（UE）的裝置，包括： 記憶體；及 操作性地耦合到該記憶體的一或多個處理器，該記憶體和該一或多個處理器被配置為： 在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器； 基於觀察到的通道和幹擾條件來訓練該CSI解碼器和該CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數； 接收對用於該等經更新的編碼器係數和該等經更新的解碼器係數的傳輸的資源的指示； 根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數；及 從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練。 9、根據條款8之裝置，其中該一或多個處理器亦被配置為：經由無線電資源控制（RRC）信號傳遞來接收被指派用於傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的衝突優先順序。 10、根據條款8或9之裝置，其中該一或多個處理器亦被配置為：根據經由RRC信號傳遞配置的等時線，傳輸從該經更新的CSI編碼器輸出的CSI回饋，以及亦傳輸該等經更新的編碼器係數和該等經更新的解碼器係數。 11、根據條款8-10中任一項之裝置，其中對資源的該指示包括針對週期性傳輸的上行鏈路容許或參數。 12、一種用於無線通訊的基地站的裝置，包括： 記憶體；及 操作性地耦合到該記憶體的一或多個處理器，該記憶體和該一或多個處理器被配置為： 經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向複數個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器； 指派用於接收用於該CSI解碼器和該CSI編碼器的經更新的CSI係數的資源； 根據所指派的資源來從該複數個UE接收該等經更新的CSI係數； 提取用於UE子集的與經更新的係數相關聯的共用層的權重； 基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重；及 將該等經更新的共用權重分發給該UE子集。 13、根據條款12之裝置，其中該UE子集包括新使用者。 14、根據條款13或12之裝置，其中該UE子集包括接收新資料短脈衝的現有使用者。 15、一種用於無線通訊的使用者設備（UE），包括： 用於在實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）上從基地站接收通道狀態資訊（CSI）解碼器和CSI編碼器的構件； 用於基於觀察到的通道和幹擾條件來訓練該CSI解碼器和該CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數的構件； 用於接收對用於該等經更新的編碼器係數和該等經更新的解碼器係數的傳輸的資源的指示的構件； 用於根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的構件；及 用於從該基地站接收經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練的構件。 16、根據條款15之UE，亦包括：用於經由無線電資源控制（RRC）信號傳遞來接收被指派用於傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的衝突優先順序的構件。 17、根據條款15或16之UE，亦包括：用於根據經由RRC信號傳遞配置的等時線，傳輸從該經更新的CSI編碼器輸出的CSI回饋，以及亦傳輸該等經更新的編碼器係數和該等經更新的解碼器係數的構件。 18、根據條款15-17中任一項之UE，其中對資源的該指示包括針對週期性傳輸的上行鏈路容許或參數。 19、一種用於無線通訊的基地站，包括： 用於經由實體下行鏈路控制通道（PDSCH）或媒體存取控制-控制元素（MAC-CE）向複數個使用者設備（UE）傳輸通道狀態資訊（CSI）解碼器和CSI編碼器的構件； 用於指派用於接收用於該CSI解碼器和該CSI編碼器的經更新的CSI係數的資源的構件； 用於根據所指派的資源來從該複數個UE接收該等經更新的CSI係數的構件； 用於提取用於UE子集的與經更新的係數相關聯的共用層的權重的構件； 用於基於所提取的權重來產生用於該CSI編碼器和CSI解碼器的經更新的共用權重的構件；及 用於將該等經更新的共用權重分發給該UE子集的構件。 20、根據條款19之基地站，其中該UE子集包括新使用者。 21、根據條款19或20之基地站，其中該UE子集包括用於接收新資料短脈衝的現有使用者的構件。 22、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，該代碼包括可由處理器執行以執行根據條款1-7中任一項之方法的指令。
前述揭示內容提供了說明和描述，但是並不意欲是詳盡的或者將各態樣限制為所揭示的精確形式。可以按照上文的揭示內容進行修改和變型，或者可以從對各態樣的實踐中獲取修改和變型。
如本文所使用的，術語「元件」意欲廣泛地解釋為硬體、韌體，及/或硬體和軟體的組合。如本文所使用的，處理器是在硬體、韌體，及/或硬體和軟體的組合中實現的。
本文結合閾值描述了一些態樣。如本文所使用的，取決於上下文，滿足閾值可以代表值大於閾值、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。
將顯而易見的是，本文描述的系統及/或方法可以在不同形式的硬體、韌體，及/或硬體和軟體的組合中實現。用於實現該等系統及/或方法的實際的專門的控制硬體或軟體代碼不是對各態樣的限制。因此，本文在不引用特定的軟體代碼的情況下描述了系統及/或方法的操作和行為，要理解的是，軟體和硬體可以被設計為至少部分地基於本文的描述來實現系統及/或方法。
即使在請求項中記載了及/或在說明書中揭示特徵的特定組合，該等組合亦不意欲限制各個態樣的揭示內容。事實上，可以以沒有在請求項中具體記載及/或在說明書中具體揭示的方式來組合該等特徵中的許多特徵。儘管下文列出的每個從屬請求項可以僅直接依賴於一個請求項，但是各個態樣的揭示內容包括每個從屬請求項與請求項集合之每一者其他請求項的組合。提及項目列表「中的至少一個」的短語代表彼等項目的任何組合，包括單個成員。舉例而言，「a、b或c中的至少一個」意欲涵蓋a、b、c、a-b、a-c、b-c和a-b-c，以及與相同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或者a、b和c的任何其他排序）。
除非明確地描述為如此，否則本文使用的元素、動作或指令中沒有應當被解釋為關鍵或必要的。此外，如本文所使用的，冠詞「一（a）」和「一個（an）」意欲包括一或多個項目，以及可以與「一或多個」互換使用。此外，如本文所使用的，術語「集合」和「群組」意欲包括一或多個項目（例如，相關的項目、無關的項目、相關的項目和無關的項目的組合等），以及可以與「一或多個」互換使用。在僅預期一個項目的情況下，使用短語「僅一個」或類似語言。此外，如本文所使用的，術語「具有（has、have、having）」及/或類似術語意欲是開放式術語。此外，除非另外明確地聲明，否則短語「基於」意欲意指「至少部分地基於」。
100:網路 102a:巨集細胞 102b:微微細胞 102c:毫微微細胞 110:BS 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 200:設計 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:調制器/解調器 232t:調制器/解調器 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:解調器/調制器 254r:解調器/調制器 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 290:控制器/處理器 292:記憶體 294:通訊單元 300:晶片上系統（SOC） 302:中央處理單元（CPU） 304:圖形處理單元（GPU） 306:數位信號處理器（DSP） 308:神經處理單元（NPU） 310:連接區塊 312:多媒體處理器 314:感測器處理器 316:圖像信號處理器（ISP） 318:記憶體區塊 320:導航模組 400:DCN 402:完全連接的神經網路 404:局部連接的神經網路 406:迴旋神經網路 408:元件符號 410:元件符號 412:元件符號 414:元件符號 416:元件符號 418:第一特徵圖集合 420:第二特徵圖集合 422:輸出 424:第一特徵向量 426:圖像 428:第二特徵向量 430:圖像擷取設備 432:迴旋層 550:深度迴旋網路 552:輸入資料 554A:迴旋區塊 554B:迴旋區塊 556:迴旋層 558:正規化層 560:最大池化層 562:完全連接的層 564:邏輯回歸（LR）層 566:分類得分 600:自動編碼器 610:編碼器 620:解碼器 710:基地站 720a:UE 720b:UE 720c:UE 720d:UE 730a:解碼器 730b:解碼器 730n:解碼器 740:方塊 750:方塊 800:程式 810:方塊 820:方塊 830:方塊 840:方塊 850:方塊 900:程式 910:方塊 920:方塊 930:方塊 940:方塊 950:方塊 960:方塊
經由參考在附圖中圖示的各態樣中的一些態樣，可以有上文簡要概述的更加具體的描述，以便可以在細節上理解本案內容的上述特徵。然而，要注意的是，附圖僅圖示本案內容的某些典型的態樣以及因此不被認為是對本案內容的範疇的限制，因為該描述可以認可其他同等有效的態樣。不同附圖中的相同的元件符號可以辨識相同或相似元素。
圖1是根據本案內容的各個態樣概念性地圖示無線通訊網路的實例的方塊圖。
圖2是根據本案內容的各個態樣概念性地圖示無線通訊網路中的基地站與使用者設備（UE）相通訊的實例的方塊圖。
圖3根據本案內容的某些態樣圖示使用包括通用處理器的晶片上系統（SOC）來設計神經網路的示例性實現方式。
圖4A、圖4B和圖4C是根據本案內容的各態樣圖示神經網路的圖。
圖4D是根據本案內容的各態樣圖示示例性深度迴旋網路（DCN）的圖。
圖5是根據本案內容的各態樣圖示示例性深度迴旋網路（DCN）的方塊圖。
圖6是根據本案內容的各態樣的示例性自動編碼器的方塊圖。
圖7根據本案內容的各態樣圖示用於學習的程式。
圖8是根據本案內容的各個態樣圖示例如由使用者設備執行的示例性程式的圖。
圖9是根據本案內容的各個態樣圖示例如由基地站執行的示例性程式的圖。
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
710:基地站
720a:UE
720b:UE
720c:UE
720d:UE
730a:解碼器
730b:解碼器
730n:解碼器
740:方塊
750:方塊

Claims (21)

  1. 一種由一使用者設備（UE）進行無線通訊的方法，包括以下步驟： 在一實體下行鏈路控制通道（PDSCH）或一媒體存取控制-控制元素（MAC-CE）上從一基地站接收一通道狀態資訊（CSI）解碼器和一CSI編碼器； 基於觀察到的通道和幹擾條件來訓練該CSI解碼器和該CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數； 接收對用於該等經更新的編碼器係數和該等經更新的解碼器係數的傳輸的資源的一指示； 根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數；及 從該基地站接收一經更新的CSI解碼器和經更新的CSI編碼器以用於進一步訓練。
  2. 根據請求項1之方法，亦包括以下步驟：經由無線電資源控制（RRC）信號傳遞來接收被指派用於傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的一衝突優先順序。
  3. 根據請求項1之方法，亦包括以下步驟：根據經由RRC信號傳遞配置的等時線，傳輸從該經更新的CSI編碼器輸出的CSI回饋，以及亦傳輸該等經更新的編碼器係數和該等經更新的解碼器係數。
  4. 根據請求項1之方法，其中對資源的該指示包括針對週期性傳輸的一上行鏈路容許或參數。
  5. 一種由一基地站進行無線通訊的方法，包括以下步驟： 經由一實體下行鏈路控制通道（PDSCH）或一媒體存取控制-控制元素（MAC-CE）向複數個使用者設備（UE）傳輸一通道狀態資訊（CSI）解碼器和一CSI編碼器； 指派用於接收用於該CSI解碼器和該CSI編碼器的經更新的CSI係數的資源； 根據所指派的該等資源來從該複數個UE接收該等經更新的CSI係數； 提取用於一UE子集的與該等經更新的係數相關聯的共用層的權重； 基於所提取的該等權重來產生用於該CSI編碼器和該CSI解碼器的經更新的共用權重；及 將該等經更新的共用權重分發給該UE子集。
  6. 根據請求項5之方法，其中該UE子集包括一新使用者。
  7. 根據請求項5之方法，其中該UE子集包括接收一新資料短脈衝的現有使用者。
  8. 一種用於無線通訊的一使用者設備（UE）的裝置，包括： 一記憶體；及 操作性地耦合到該記憶體的一或多個處理器，該記憶體和該一或多個處理器被配置為： 在一實體下行鏈路控制通道（PDSCH）或一媒體存取控制-控制元素（MAC-CE）上從一基地站接收一通道狀態資訊（CSI）解碼器和一CSI編碼器； 基於觀察到的通道和幹擾條件來訓練該CSI解碼器和該CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數； 接收對用於該等經更新的編碼器係數和該等經更新的解碼器係數的傳輸的資源的一指示； 根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數；及 從該基地站接收一經更新的CSI解碼器和一經更新的CSI編碼器以用於進一步訓練。
  9. 根據請求項8之裝置，其中該一或多個處理器亦被配置為：經由無線電資源控制（RRC）信號傳遞來接收被指派用於傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的一衝突優先順序。
  10. 根據請求項8之裝置，其中該一或多個處理器亦被配置為：根據經由RRC信號傳遞配置的等時線，傳輸從該經更新的CSI編碼器輸出的CSI回饋，以及亦傳輸該等經更新的編碼器係數和該等經更新的解碼器係數。
  11. 根據請求項8之裝置，其中對資源的該指示包括針對週期性傳輸的一上行鏈路容許或參數。
  12. 一種用於無線通訊的一基地站的裝置，包括： 一記憶體；及 操作性地耦合到該記憶體的一或多個處理器，該記憶體和該一或多個處理器被配置為： 經由一實體下行鏈路控制通道（PDSCH）或一媒體存取控制-控制元素（MAC-CE）向複數個使用者設備（UE）傳輸一通道狀態資訊（CSI）解碼器和一CSI編碼器； 指派用於接收用於該CSI解碼器和該CSI編碼器的經更新的CSI係數的資源； 根據所指派的該等資源來從該複數個UE接收該等經更新的CSI係數； 提取用於一UE子集的與該等經更新的係數相關聯的共用層的權重； 基於所提取的該等權重來產生用於該CSI編碼器和該CSI解碼器的經更新的共用權重；及 將該等經更新的共用權重分發給該UE子集。
  13. 根據請求項12之裝置，其中該UE子集包括一新使用者。
  14. 根據請求項12之裝置，其中該UE子集包括接收一新資料短脈衝的現有使用者。
  15. 一種用於無線通訊的使用者設備（UE），包括： 用於在一實體下行鏈路控制通道（PDSCH）或一媒體存取控制-控制元素（MAC-CE）上從一基地站接收一通道狀態資訊（CSI）解碼器和一CSI編碼器的構件； 用於基於觀察到的通道和幹擾條件來訓練該CSI解碼器和該CSI編碼器以獲得經更新的解碼器係數和經更新的編碼器係數的構件； 用於接收對用於該等經更新的編碼器係數和該等經更新的解碼器係數的傳輸的資源的一指示的構件； 用於根據對資源的該指示來向該基地站傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的構件；及 用於從該基地站接收一經更新的CSI解碼器和一經更新的CSI編碼器以用於進一步訓練的構件。
  16. 根據請求項15之UE，亦包括：用於經由無線電資源控制（RRC）信號傳遞來接收被指派用於傳輸該等經更新的解碼器係數和該等經更新的編碼器係數的一衝突優先順序的構件。
  17. 根據請求項15之UE，亦包括：用於根據經由RRC信號傳遞配置的等時線，傳輸從該經更新的CSI編碼器輸出的CSI回饋，以及亦傳輸該等經更新的編碼器係數和該等經更新的解碼器係數的構件。
  18. 根據請求項15之UE，其中對資源的該指示包括針對週期性傳輸的一上行鏈路容許或參數。
  19. 一種用於無線通訊的基地站，包括： 用於經由一實體下行鏈路控制通道（PDSCH）或一媒體存取控制-控制元素（MAC-CE）向複數個使用者設備（UE）傳輸一通道狀態資訊（CSI）解碼器和一CSI編碼器的構件； 用於指派用於接收用於該CSI解碼器和該CSI編碼器的經更新的CSI係數的資源的構件； 用於根據所指派的該等資源來從該複數個UE接收該等經更新的CSI係數的構件； 用於提取用於一UE子集的與該等經更新的係數相關聯的共用層的權重的構件； 用於基於所提取的該等權重來產生用於該CSI編碼器和該CSI解碼器的經更新的共用權重的構件；及 用於將該等經更新的共用權重分發給該UE子集的構件。
  20. 根據請求項19之基地站，其中該UE子集包括一新使用者。
  21. 根據請求項19之基地站，其中該UE子集包括用於接收一新資料短脈衝的現有使用者的構件。
TW110106414A 2020-02-24 2021-02-24 通道狀態資訊（ｃｓｉ）學習的方法、裝置、使用者設備，以及基地站 TWI895365B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202062980907P 2020-02-24 2020-02-24
US62/980,907 2020-02-24
US17/181,934 2021-02-22
US17/181,934 US11653228B2 (en) 2020-02-24 2021-02-22 Channel state information (CSI) learning

Publications (2)

Publication Number Publication Date
TW202139638A true TW202139638A (zh) 2021-10-16
TWI895365B TWI895365B (zh) 2025-09-01

Family

ID=77366513

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110106414A TWI895365B (zh) 2020-02-24 2021-02-24 通道狀態資訊（ｃｓｉ）學習的方法、裝置、使用者設備，以及基地站

Country Status (8)

Country Link
US (1) US11653228B2 (zh)
EP (1) EP4111610B1 (zh)
KR (1) KR102849947B1 (zh)
CN (1) CN115136518B (zh)
BR (1) BR112022016250A2 (zh)
PH (1) PH12022551837A1 (zh)
TW (1) TWI895365B (zh)
WO (1) WO2021173579A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114257988A (zh) * 2021-11-22 2022-03-29 西安电子科技大学 超可靠车联网中面向不完美csi的资源分配方法及系统
TWI846398B (zh) * 2022-03-24 2024-06-21 聯發科技股份有限公司 用於多輸入和多輸出（mimo）通道狀態資訊（csi）回饋的方法和設備
TWI864580B (zh) * 2022-02-24 2024-12-01 新加坡商聯發科技（新加坡）私人有限公司 用於多輸入多輸出通道狀態資訊反饋的方法

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102780228B1 (ko) 2019-10-10 2025-03-14 삼성전자 주식회사 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치
CN117716634A (zh) * 2021-08-03 2024-03-15 三菱电机株式会社 通信系统
WO2023063655A1 (ko) * 2021-10-13 2023-04-20 엘지전자 주식회사 무선 통신 시스템에서 채널 상태 정보를 송수신하는 방법 및 장치
WO2023077274A1 (zh) * 2021-11-02 2023-05-11 Oppo广东移动通信有限公司 Csi反馈方法、装置、设备及存储介质
WO2023077349A1 (en) * 2021-11-04 2023-05-11 Qualcomm Incorporated Machine learning-based channel state information (csi) reporting
US11968686B2 (en) * 2021-11-24 2024-04-23 Qualcomm Incorporated Enhanced user equipment channel state feedback capability with frequent reporting
US20250008513A1 (en) * 2021-12-02 2025-01-02 Qualcomm Incorporated Techniques for reporting channel state information for machine learning-based channel feedback
WO2023113677A1 (en) * 2021-12-15 2023-06-22 Telefonaktiebolaget Lm Ericsson (Publ) Nodes, and methods for proprietary ml-based csi reporting
CN115841135A (zh) * 2021-12-24 2023-03-24 中兴通讯股份有限公司 神经网络的生成、指示信息的发送方法，通信节点及介质
EP4480102A1 (en) * 2022-02-18 2024-12-25 Telefonaktiebolaget LM Ericsson (publ) Evaluation of performance of an ae-encoder
US20250159523A1 (en) * 2022-02-23 2025-05-15 Lg Electronics Inc. Method and device for transmitting or receiving quantization-based channel state information in wireless communication system
WO2023224533A1 (en) * 2022-05-16 2023-11-23 Telefonaktiebolaget Lm Ericsson (Publ) Nodes and methods for ml-based csi reporting
KR20230171610A (ko) * 2022-06-14 2023-12-21 삼성전자주식회사 무선 통신 시스템에서 ai 모델을 모니터링 및 보고하기 위한 방법 및 장치
KR20230172326A (ko) * 2022-06-15 2023-12-22 삼성전자주식회사 무선 통신 시스템에서 채널 상태 정보 피드백을 위한 오토인코더를 업데이트하기 위한 방법 및 장치
WO2024031420A1 (en) * 2022-08-10 2024-02-15 Qualcomm Incorporated Remote offline sequential network node encoder training
WO2024031647A1 (en) * 2022-08-12 2024-02-15 Qualcomm Incorporated Ue-driven sequential training
CN119817045A (zh) * 2022-08-30 2025-04-11 丰田自动车株式会社 新无线电传输中的信道状态信息反馈压缩
US20240088965A1 (en) * 2022-09-13 2024-03-14 Mediatek Inc. Techniques For Channel State Information (CSI) Compression
CN119731672A (zh) * 2022-09-30 2025-03-28 深圳Tcl新技术有限公司 通信设备和机器学习模型监控方法
CN120019596A (zh) * 2022-10-10 2025-05-16 上海诺基亚贝尔股份有限公司 装置、方法和计算机程序
WO2024087154A1 (en) * 2022-10-28 2024-05-02 Qualcomm Incorporated Control information reporting test framework
WO2024122688A1 (ko) * 2022-12-08 2024-06-13 엘지전자 주식회사 무선 통신 시스템에서 채널 상태 보고를 수행하기 위한 방법 및 이를 위한 장치
EP4655717A1 (en) * 2023-01-23 2025-12-03 Telefonaktiebolaget LM Ericsson (publ) Methods and nodes in a communications network for training an autoencoder
EP4443786A1 (en) * 2023-04-05 2024-10-09 Nokia Solutions and Networks Oy Reconstruction of channel state information using the combination of at least two decoders
WO2024176207A1 (en) * 2023-04-06 2024-08-29 Lenovo (Singapore) Pte. Ltd. Training of an encoder-decoder model at a user equipment with feedback concerning the decoder parameters from a base station
WO2024237669A1 (ko) * 2023-05-15 2024-11-21 한국전자통신연구원 무선 통신 시스템에서 기계학습 기반 코드북 제한을 적용한 채널상태정보를 생성하기 위한 장치 및 방법
WO2024243879A1 (zh) * 2023-05-31 2024-12-05 Oppo广东移动通信有限公司 无线通信的方法、终端设备和网络设备
WO2025024995A1 (zh) * 2023-07-28 2025-02-06 Oppo广东移动通信有限公司 信息压缩方法及装置、终端设备、网络设备
CN117546159A (zh) * 2023-09-25 2024-02-09 北京小米移动软件有限公司 处理方法、设备以及存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10644916B1 (en) * 2002-05-14 2020-05-05 Genghiscomm Holdings, LLC Spreading and precoding in OFDM
US9628231B2 (en) * 2002-05-14 2017-04-18 Genghiscomm Holdings, LLC Spreading and precoding in OFDM
EP2557698B1 (en) * 2010-04-07 2017-06-14 Alcatel Lucent Method and apparatus for information feedback and pre-coding
US9008582B2 (en) * 2011-08-25 2015-04-14 Qualcomm Incorporated User equipment enhancements for cooperative multi-point communication
CN109565311B (zh) * 2016-09-26 2021-07-16 Lg 电子株式会社 在无线通信系统中的上行链路发送/接收的方法及其装置
CN108574954A (zh) * 2017-03-08 2018-09-25 索尼公司 无线通信系统中的电子设备和方法
JP6758524B2 (ja) * 2017-05-03 2020-09-23 ヴァージニア テック インテレクチュアル プロパティーズ，インコーポレーテッド 適応的無線通信の学習とデプロイメント
US10305553B2 (en) * 2017-06-19 2019-05-28 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
TWI669921B (zh) * 2018-04-23 2019-08-21 國立中山大學 基於深度學習作為通道狀態資訊之回饋方法
US10637551B2 (en) * 2018-08-09 2020-04-28 At&T Intellectual Property I, L.P. Generic reciprocity based channel state information acquisition frameworks for advanced networks
CN109672464B (zh) * 2018-12-13 2021-09-03 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
CN110474716B (zh) * 2019-08-14 2021-09-14 安徽大学 基于降噪自编码器的scma编解码器模型的建立方法
US11533658B2 (en) * 2020-02-24 2022-12-20 Qualcomm Incorporated Compressed measurement feedback using an encoder neural network
US11936452B2 (en) * 2020-02-28 2024-03-19 Qualcomm Incorporated Neural network based channel state information feedback
US12185100B2 (en) * 2020-08-18 2024-12-31 Qualcomm Incorporated Encoding a data set using a neural network for uplink communication
US12088378B2 (en) * 2020-09-18 2024-09-10 Qualcomm Incorporated Low overhead and high accuracy channel state feedback using neural networks

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114257988A (zh) * 2021-11-22 2022-03-29 西安电子科技大学 超可靠车联网中面向不完美csi的资源分配方法及系统
CN114257988B (zh) * 2021-11-22 2024-05-03 西安电子科技大学 超可靠车联网中面向不完美csi的资源分配方法及系统
TWI864580B (zh) * 2022-02-24 2024-12-01 新加坡商聯發科技（新加坡）私人有限公司 用於多輸入多輸出通道狀態資訊反饋的方法
TWI846398B (zh) * 2022-03-24 2024-06-21 聯發科技股份有限公司 用於多輸入和多輸出（mimo）通道狀態資訊（csi）回饋的方法和設備

Also Published As

Publication number Publication date
BR112022016250A2 (pt) 2022-10-11
TWI895365B (zh) 2025-09-01
EP4111610A1 (en) 2023-01-04
US20210266763A1 (en) 2021-08-26
CN115136518A (zh) 2022-09-30
WO2021173579A1 (en) 2021-09-02
EP4111610C0 (en) 2024-11-27
CN115136518B (zh) 2023-11-21
US11653228B2 (en) 2023-05-16
PH12022551837A1 (en) 2023-12-11
KR102849947B1 (ko) 2025-08-22
KR20220142442A (ko) 2022-10-21
EP4111610B1 (en) 2024-11-27

Similar Documents

Publication Publication Date Title
TWI895365B (zh) 通道狀態資訊（ｃｓｉ）學習的方法、裝置、使用者設備，以及基地站
EP4226593B1 (en) User equipment (ue) capability report for machine learning applications
CN115443614B (zh) 用于信道状态反馈(csf)学习的可配置神经网络
US20210326701A1 (en) Architecture for machine learning (ml) assisted communications networks
CN115136730B (zh) 广播已知数据来训练人工神经网络
CN115989653B (zh) 用于人工神经网络协同训练的已知数据的传输
TW202135499A (zh) 用於聯合收發機神經網路訓練的梯度回饋框架
CN115136534B (zh) 用于训练人工神经网络的已知数据的指示触发传输
WO2023019380A1 (en) Physical downlink control channel (pdcch) to indicate machine learning (ml) model group switching
US20230259754A1 (en) Machine learning model validation with verification data
US20220335294A1 (en) Reporting for machine learning model updates
WO2022225627A1 (en) Reporting for machine learning model updates
CN118974743A (zh) 机器学习模型的联邦学习中的压缩的梯度分组
CN117157647A (zh) 机器学习模型更新的报告