ホーム > 特許ランキング > ソニーグループ株式会社
知財求人 - 知財ポータルサイト「IP Force」
特表2024-527563無線通信システムに用いられる電子機器、方法、記憶媒体、装置及びコンピュータプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-07-25
(54)【発明の名称】無線通信システムに用いられる電子機器、方法、記憶媒体、装置及びコンピュータプログラム
(51)【国際特許分類】
H04W 72/51 20230101AFI20240718BHJP
H04W 72/512 20230101ALI20240718BHJP
H04W 28/24 20090101ALI20240718BHJP
【ＦＩ】
H04W72/51
H04W72/512
H04W28/24
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024500104
(86)(22)【出願日】2022-06-29
(85)【翻訳文提出日】2024-03-04
(86)【国際出願番号】 CN2022102285
(87)【国際公開番号】W WO2023280032
(87)【国際公開日】2023-01-12
(31)【優先権主張番号】202110756858.0
(32)【優先日】2021-07-05
(33)【優先権主張国・地域又は機関】CN
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＴＥＮＳＯＲＦＬＯＷ
２．ＰＹＣＨＡＲＭ
(71)【出願人】
【識別番号】000002185
【氏名又は名称】ソニーグループ株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】陳巍
(72)【発明者】
【氏名】呉俊杰
(72)【発明者】
【氏名】胡少領
(72)【発明者】
【氏名】王曉雪
(72)【発明者】
【氏名】孫晨
【テーマコード（参考）】
5K067
【Ｆターム（参考）】
5K067DD20
5K067EE02
5K067EE10
(57)【要約】
本開示内容は、無線通信システムに用いられる電子機器、方法及び記憶媒体に関するものである。無線通信システムにおいて、分散型機械学習を利用した様々な実施例について説明した。一実施例では、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信し、ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器から受信した数量情報に基づいて割り当てられ、制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードする。
【選択図】図３
【選択図】図３
【特許請求の範囲】
【請求項1】
無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードするように構成される、電子機器。
【請求項2】
前記処理回路システムは、さらに、ユーザ機器と基地局との距離を示す距離情報を制御エンティティに送信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、請求項１に記載の電子機器。
【請求項3】
前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含む、請求項１に記載の電子機器。
【請求項4】
前記上りリンクリソース情報によって示される上りリンクリソースは、制御エンティティが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含む、請求項１に記載の電子機器。
【請求項5】
前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、請求項４に記載の電子機器。
【請求項6】
前記制御エンティティと前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記制御エンティティは基地局である、請求項１に記載の電子機器。
【請求項7】
ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項１に記載の電子機器。
【請求項8】
前記処理回路システムは、さらに、制御エンティティから前記次のグローバルモデルのパラメータを受信してローカルモデルのパラメータを更新するように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項１に記載の電子機器。
【請求項9】
前記所定の５ＱＩ値は、リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、請求項７又は８に記載の電子機器。
【請求項10】
前記５ＱＩ値は、８７である、請求項９に記載の電子機器。
【請求項11】
無線通信システムにおけるネットワーク機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信するように構成される、電子機器。
【請求項12】
前記処理回路システムは、さらに、ユーザ機器からの、ユーザ機器と基地局との距離を示す距離情報を受信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、請求項１１に記載の電子機器。
【請求項13】
前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含む、請求項１１に記載の電子機器。
【請求項14】
前記上りリンクリソース情報によって示される上りリンクリソースは、前記処理回路システムが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含む、請求項１１に記載の電子機器。
【請求項15】
前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、請求項１４に記載の電子機器。
【請求項16】
前記電子機器と前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記電子機器は基地局である、請求項１１に記載の電子機器。
【請求項17】
ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項１１に記載の電子機器。
【請求項18】
前記処理回路システムは、さらに、前記次のグローバルモデルのパラメータをユーザ機器に送信してユーザ機器にローカルモデルのパラメータを更新させるように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項１１に記載の電子機器。
【請求項19】
前記所定の５ＱＩ値は、リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、請求項１７又は１８に記載の電子機器。
【請求項20】
前記５ＱＩ値は、８７である、請求項１９に記載の電子機器。
【請求項21】
無線通信システムに用いられる方法であって、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられることと、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードすることとを含む、方法。
【請求項22】
無線通信システムに用いられる方法であって、ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、複数のユーザ機器からの数量情報に基づいて割り当てられることと、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信することとを含む、方法。
【請求項23】
電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に請求項２１又は２２に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
【請求項24】
請求項２１又は２２に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。
【請求項25】
無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測し、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示し、
前記情報を基地局に通知し、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知し、基地局に、当該タイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させるように構成される、電子機器。
【請求項26】
前記処理回路システムは、さらに、基地局から送信された予測を開始するためのトリガコマンドを受信するように構成され、
前述した、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することは、
トリガコマンドを受信したことに応答して、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することをさらに含む、請求項２５に記載の電子機器。
【請求項27】
前述した、基地局から送信された予測を開始するためのトリガコマンドを受信することは、基地局が、ユーザ機器に送信すべきデータが現れることに応答してユーザ機器に送信した予測を開始するためのトリガコマンドを受信することを含む、請求項２６に記載の電子機器。
【請求項28】
前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットと、
前記複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットと、
前記複数の将来のタイムスロットの各々の相対的なチャネルゲインと、
前記複数の将来のタイムスロットの各々のチャネルゲインとのうちの少なくとも１つを含む、請求項２５に記載の電子機器。
【請求項29】
前記情報が、前記複数の将来のタイムスロットの各々のチャネルゲインである場合、前記複数の将来のタイムスロットの各々のチャネルゲインを、ディープニューラルネットワークによって構築された圧縮モデルを介して基地局に送信する、請求項２８に記載の電子機器。
【請求項30】
前述した、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知することは、利用可能な上りリンクリソースが第２の閾値を下回ると決定する場合、又は、上りリンクフィードバックチャネル品質が第３の閾値を下回ると決定する場合、当該タイムスロットにおけるチャネル品質指示のみを基地局に通知し、前記複数の将来のタイムスロットのうちの他のタイムスロットにおけるチャネル品質指示を通知しないことを含む、請求項２５に記載の電子機器。
【請求項31】
無線通信システムにおける基地局側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、ユーザ機器から、現在の時刻より後の複数の将来のタイムスロットにおけるチャネルゲインに関する情報を受信し、前記情報は、ユーザ機器が現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて予測したものであり、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示し、
ユーザ機器から、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を受信し、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信するように構成される、電子機器。
【請求項32】
前記処理回路システムは、さらに、予測を開始するためのトリガコマンドをユーザ機器に送信するように構成される、請求項３１に記載の電子機器。
【請求項33】
前述した、予測を開始するためのトリガコマンドをユーザ機器に送信することは、ユーザ機器に送信すべきデータが現れることに応答して、ユーザ機器に予測を開始するためのトリガコマンドを送信することを含む、請求項３２に記載の電子機器。
【請求項34】
前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットと、
前記複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットと、
前記複数の将来のタイムスロットの各々の相対的なチャネルゲインと、
前記複数の将来のタイムスロットの各々のチャネルゲインとのうちの少なくとも１つを含む、請求項３１に記載の電子機器。
【請求項35】
前記情報が、前記複数の将来のタイムスロットの各々のチャネルゲインである場合、各タイムスロットの前記チャネルゲインは、ディープニューラルネットワークによって構築された圧縮モデルを介してユーザ機器から受信される、請求項３４に記載の電子機器。
【請求項36】
前述した、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示をユーザ機器から受信することは、利用可能な上りリンクリソースが第２の閾値を下回ると決定する場合、又は、上りリンクフィードバックチャネル品質が第３の閾値を下回ると決定する場合、当該タイムスロットにおけるチャネル品質指示のみをユーザ機器から受信し、前記複数の将来のタイムスロットのうちの他のタイムスロットにおけるチャネル品質指示を受信しないことを含む、請求項３１に記載の電子機器。
【請求項37】
無線通信システムに用いられる方法であって、現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することであって、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示すことと、
前記情報を基地局に通知することと、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知して、基地局に、当該タイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させることとを含む、方法。
【請求項38】
無線通信システムに用いられる方法であって、ユーザ機器から、現在の時刻より後の複数の将来のタイムスロットにおけるチャネルゲインに関する情報を受信することであって、前記情報は、ユーザ機器が現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて予測したものであり、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示すことと、
ユーザ機器から、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を受信することと、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信することとを含む、方法。
【請求項39】
電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に請求項３７又は３８に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
【請求項40】
請求項３７又は３８に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。【発明の詳細な説明】
【技術分野】
【0001】
（関連出願の相互参照）
本出願は、２０２１年７月５日に提出された、出願番号が２０２１１０７５６８５８．０である中国特許出願の優先権を主張しており、同出願は、全体が本明細書に記載されるように、参照により本明細書に取り込まれる。
本出願は、２０２１年７月５日に提出された、出願番号が２０２１１０７５６８５８．０である中国特許出願の優先権を主張しており、同出願は、全体が本明細書に記載されるように、参照により本明細書に取り込まれる。
【0002】
本開示は、無線通信分野に関し、より具体的には、分散型機械学習を利用する際に採用される技術に関し、さらにデータ伝送に用いられる技術に関する。
【背景技術】
【0003】
無線ネットワーク及び人工知能が発展するにつれて、ネットワークは次第にインテリジェント化する傾向にある。現在猛烈な勢いで発展している５Ｇ技術であろうと、将来の次世代の無線ネットワーク技術であろうと、無線ネットワークのインテリジェント化は、その発展の重要な方向の１つとなる。具体的には、フェデレーションラーニング（Ｆｅｄｅｒａｔｅｄ Ｌｅａｒｎｉｎｇ、ＦＬ）は、データプライバシー・セキュリティと法的コンプライアンスの確保において独自の利点を有し、且つ複数の機器によって共同でモデリングして機械学習モデルの効果を向上させることができるため、現在非常に重要な分散型人工知能フレームワーク又は分散型機械学習フレームワークになり、それと無線ネットワークとの組み合わせは、将来の無線ネットワークインテリジェント化応用の主な内容の１つとなる。したがって、どのようにＦＬを無線ネットワーク技術と有効に連携させて設計するかは、将来の人工知能の応用に重要な影響を与える。
【0004】
ＦＬの応用の特徴により、ＦＬは、無線ネットワークのＱｏＳに対してより高い要求を出す。例えば、ＦＬのデータトラフィックは、遅延敏感特性を有する。そのため、ＦＬに対して生成されたデータトラフィックを、超高信頼低遅延通信（Ｕｌｔｒａ－Ｒｅｌｉａｂｌｅ Ｌｏｗ－Ｌａｔｅｎｃｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ、ＵＲＬＬＣ）シナリオを採用して伝送する必要がある。具体的には、ＦＬにおけるローカルモデルとグローバルモデルのパラメータの伝送は、ＵＲＬＬＣのサポートを必要とする。しかしながら、多数のユーザ機器に同時にＵＲＬＬＣのデータ伝送サービスを提供すると、無線ネットワークに甚大な負担をかけ、また、通信コストを大幅に増加させる。したがって、無線ネットワークがフェデレーションラーニングにおけるモデルパラメータ伝送のサービス要件を満たすために、現行の無線ネットワーク規格に相応な補足を行うことにより、ＦＬが無線ネットワークにおいて成功に動作できるようにする必要がある。より好ましくは、ＦＬが低コスト、高効率で無線ネットワークにおいて動作できるようにして、ＦＬ応用が無線ネットワークに過度の負担をかけることを回避し、トレーニングされたグローバルモデルの誤差を最小化できるようにする。
【0005】
無線ネットワークにおけるリソースの有限性により、ＦＬのような分散型機械学習に参加している全てのユーザ機器が何れもローカルモデルのパラメータをアップロードできるようにするには不十分であり得る。ローカルモデルパラメータの欠失により、アグリゲートして得られたグローバルモデルの誤差が大きくなり、満足のいく分散型機械学習の効果が得られ難くなるおそれがある。
【0006】
したがって、無線ネットワークにおいて分散型機械学習を応用する際にグローバルモデルの誤差を低減できる手法が提供されることが望ましい。
【0007】
一方、５Ｇ通信は、その優れたデータ伝送性能により、注目されており、研究が盛んになってきている。５Ｇ通信の中核的な応用シナリオの１つであるＵＲＬＬＣは、信頼性と遅延性に対して極めて厳しい性能要求がある。具体的には、ＵＲＬＬＣは、９９．９９９％の信頼性と、１ｍｓの遅延に達することが要求される。さらに、無線ネットワークの世代交代、アップグレードにつれて、多くの新型な応用が登場し、これらの応用は、遅延性と信頼性に対してより厳しい要求がある可能性がある。例えば、ファクトリーオートメーション（Ｆａｃｔｏｒｙ ａｕｔｏｍａｔｉｏｎ）は、セブンナイン（９９．９９９９９％）よりも高い信頼性と、１ｍｓ未満の遅延を要求する。次世代の無線通信（Ｂ５Ｇ又は６Ｇ）は、遅延性と信頼性に対する要求がより高く、より厳しく、信頼性はナインナインと高く、遅延性は０．１ｍｓ未満になることが予想される。
【0008】
ＵＲＬＬＣのような遅延性と信頼性に対する要求が高い通信では、次のような問題がある。第一に、例えば、ショートパケット伝送、許可不要伝送、短い時間間隔伝送や、時間、周波数、空間ダイバーシチのような現在開発・使用されている多くの技術は、信頼性の向上や遅延の短縮に寄与するが、チャネル状態が急激に変化するなどの異常事態が発生すると、現在の技術では、これら異常事態に対応するために、往々にして多数のリソースを消費する必要があり、無線伝送環境への適応性に欠け、スケジューリングの柔軟性に欠ける。第二に、既存のネットワークは、ＵＲＬＬＣのような低遅延高信頼通信を実現するために、多数のリソースを消費してチャネルの検出及び推定を行う必要があり、オーバーヘッドが大きくなり、しかも異常事態が発生した場合に、より正確なチャネル情報を提供することが困難になる。第三に、無線チャネルのリアルタイム変化により、基地局がスケジューリングを行う際に参照するチャネルサンプリング情報が時機に後れて歪んでおり、システムに対するスケジューリング価値を完全に又は部分的に失い、情報を適時且つ有効に伝送することを確保することが困難になる。
【0009】
したがって、基地局が柔軟に現在のチャネル状態に応じてより適切なリソースで下りリンクデータを送信できるようにすることで、下りリンクデータの伝送性能を向上させる手法が提供されることが望ましい。
【発明の概要】
【課題を解決するための手段】
【0010】
本開示の１つの側面は、無線通信システムにおけるユーザ機器側に用いられる電子機器に関するものである。１つの実施例によれば、当該電子機器は、処理回路システムを含んでもよい。当該処理回路システムは、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信し、ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられ、且つ、制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードするように構成されてもよい。
【0011】
本開示の１つの側面は、無線通信システムにおけるネットワーク機器側に用いられる電子機器に関するものである。１つの実施例によれば、当該電子機器は、処理回路システムを含む。当該処理回路システムは、ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信し、ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって複数のユーザ機器からの数量情報に基づいて割り当てられ、且つ、次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信するように構成されてもよい。
【0012】
本開示の別の側面は、無線通信システムに用いられる方法に関するものである。一実施例では、当該方法は、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信することと、ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられることと、制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードすることとを含んでもよい。
【0013】
本開示の別の側面は、無線通信システムに用いられる方法に関するものである。一実施例では、当該方法は、ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信することと、ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、複数のユーザ機器からの数量情報に基づいて割り当てられることと、次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信することとを含んでもよい。
【0014】
本開示のさらに別の側面は、１つ又は複数の命令を記憶したコンピュータ可読記憶媒体に関するものである。幾つかの実施例では、当該１つ又は複数の命令は、電子機器の１つ又は複数のプロセッサによって実行されると、電子機器に本開示の各種の実施例による方法を実行させることができる。
【0015】
本開示のさらに別の側面は、本開示の実施例による各方法の動作を実行する部材又はユニットを含む様々な装置に関するものである。
【0016】
上記概要は、本明細書に記載された主題の様々な態様に対する基本的な理解を提供するために、幾つかの例示的な実施例を要約するために提供される。したがって、上記の特徴は単なる例であり、決して本明細書に記載される主題の範囲又は要旨を限定するものとして解釈されるべきではない。本明細書に記載される主題の他の特徴、態様、及び利点は、以下の図面と併せて説明する発明を実施するための形態から明らかになる。
【図面の簡単な説明】
【0017】
本開示の内容のより良い理解は、図面と併せて実施例の以下の具体的な説明を考慮することによって得ることができる。なお、全ての図面において、同一又は類似する部品を同一又は類似する符号で示している。全ての図面は以下の具体的な説明と共に本明細書に含まれ明細書の一部として構成されており、例を挙げることにより本開示の実施例を説明し、本開示の原理とメリットを解釈する。図面において、
【0018】
【0019】
本開示内容に説明された実施例は、修正及び代替形態を受け入れることができるが、その具体的な実施例は、添付の図面に例として示され、且つ本明細書で詳細に説明される。しかしながら、理解すべきことは、添付の図面及びそれに対する詳細な説明は、実施例を本開示の特定の形態に限定するものではなく、逆に特許請求の範囲の要旨及び範囲内に入る全ての変更、等同物、及び代替形態を含む。
【発明を実施するための形態】
【0020】
以下、本開示による機器及び方法に関する様々な態様における代表的な応用を説明する。これらの例は、単に、コンテキストを追加し、説明されている実施例の理解を助けるために説明されているものである。したがって、以下に説明する実施例が、特定の詳細の一部及び全部がなくても実施できることは、当業者にとっては明らかである。他の場合、説明された実施例を不必要に曖昧にすることを避けるように、周知のプロセスステップは詳細に説明されない。他の用途も可能であり、本開示の技術案は、これらの例に限定されない。
【0021】
まず、図１を参照して、本開示の実施例による無線ネットワーク１００において分散型機械学習を用いたシナリオの概略図について説明する。
【0022】
図１に示すように、無線ネットワーク１００は、複数のユーザ機器（ＵＥ）１２０－１～１２０－ｎと、基地局（ＢＳ）１１０とを含む。無線ネットワーク１００は、ＬＴＥ（長期的進化）、ＬＴＥ－Ａ、ＮＲ（ニューラジオ）のような既存のネットワークであってもよいし、将来現れる新しい無線ネットワークであってもよい。基地局１１０は、コアネットワークに接続され、ノードＢ、ｅＮｏｄｅＢ、ＨｅＮＢのような様々な５Ｇ基地局であってもよいし、ユーザ機器に無線アクセスサービスを提供する他のアクセス機器であってもよい。ユーザ機器１２０－１～１２０－ｎの各々は、携帯電話、スマートフォン、タブレットパソコン、ラップトップパソコン、ノートパソコン、デジタルテレビ、サーバのような様々な端末機器であってもよい。ユーザは、ユーザ機器を使用することにより、幅広いネットワークサービスを受けることができる。図１の例では、３つのユーザ機器１２０－１、１２０－２及び１２０－３のみが示されているが、当業者が理解できるように、１つの基地局と通信するユーザ機器の数量は、より多くても少なくてもよい。説明の便宜上、異なるユーザ機器を区別する必要がない場合、以下、ユーザ機器をユーザ機器１２０と呼ぶ。
【0023】
分散型機械学習の無線ネットワーク１００における使用により、ユーザ機器１２０－１～１２０－３は共同で１つの分散型機械学習グループを構成する。グループにおける各ユーザ機器１２０に１つのローカルモデルがあり得る。基地局１１０には１つのグローバルモデルがあり得る。ユーザ機器１２０は、そのローカルデータを収集することによって、そのローカルモデルをトレーニングして、ローカルモデルのパラメータを得ることができる。例えば、ユーザ機器１２０－１は、そのローカルデータを収集することによって、トレーニングに用いられるデータサンプル
を得ることができる。ユーザ機器１２０－２のローカルモデルのトレーニングデータは、ユーザ機器１２０－２が収集したデータサンプル
であり、ユーザ機器１２０－３のローカルモデルのトレーニングデータは、ユーザ機器１２０－３が収集したデータサンプル
である。これらのデータサンプルは、各ユーザ機器によって履歴処理情報及び／又は記憶情報に基づいて得られてもよいし、管理者によってユーザ機器に入力されてもよい。
【数1】
【数2】
【数3】
【0024】
これらのデータサンプルを、各ユーザ機器におけるモデルをトレーニングするための既存のプログラム（例えば、Ｐｙｃｈａｒｍ）に入力することによって、モデルのパラメータをフィッティングすることができる。このようなモデルは、様々な機械学習モデル又は人工知能（ＡＩ）モデルであってもよく、ユーザの要求に応じて既存の様々なニューラルネットワークなどで構成されてもよい。もっと広くいえば、パラメータによって表すことができる任意の数学モデルを、ローカルモデルとグローバルモデルとすることができる。本開示の実施例で採用される分散型機械学習において、統一されたローカルモデルとグローバルモデルの具体的な構成及び実現できる機能は、特に限定されない。
【0025】
ユーザ機器１２０は、現在の反復でトレーニングされたローカルモデルを基地局１１０にアップロードしてもよい。ローカルモデルのアップロードとは、ローカルモデルのパラメータのアップロード（以下、モデルアップロードとモデルパラメータアップロードは同じ意味を持つ）、例えば、モデルの各階層ノードが持つパラメータなどのアップロードを意味する。ユーザ機器は、遅延と信頼性のニーズを満たすために、ＵＲＬＬＣトラフィックリソースを採用してモデルパラメータをアップロードしてもよい。基地局１１０は、各ユーザ機器がアップロードしたモデルパラメータに基づいて、アグリゲートしてグローバルモデルを得ることができ、且つグローバルモデルのパラメータを各ユーザ機器にダウンロードして、例えば、ＵＲＬＬＣトラフィックリソースを介して伝送することができる。さらに、ユーザ機器は、基地局と他のデータトラフィックの伝送を行う場合もあり、例えば、ユーザ機器は、拡張モバイルブロードバンド（ｅＭＢＢ）トラフィックリソースを介して基地局と大きなファイルの転送を行う場合がある。
【0026】
無線ネットワーク１００において使用される分散型機械学習は、フェデレーションラーニングであってもよい。当業者が想到できるように、様々な機械学習は、機器のローカルで、集中型方式で実現される他、分散型方式で複数のノードによって共同で完成されてもよい。したがって、無線ネットワークにおいて分散型方式で機械学習を行うシナリオは、全て本開示の実施例を応用でき、本開示の実施例は、分散型機械学習の具体的なタイプを特に限定されず、ユーザ機器が基地局にローカルモデルのパラメータをアップロードでき、基地局がユーザ機器にグローバルモデルのパラメータを送信できればよい。説明の便宜上、以下、フェデレーションラーニング（ＦＬ）が分散型機械学習である場合を例にして本開示の技術案について説明する。当業者が理解できるように、他の分散型機械学習を応用する場合、本開示の実施例は依然として適用可能である。
【0027】
無線ネットワーク１００においてフェデレーションラーニングが応用されるとき、各通信エンティティ間のやり取りは、図２に示すように、具体的に以下のＶ１～Ｖ４という４つのタイプに分けられてもよい。注意すべきことは、図２において、ユーザ機器ＵＥ Ａ、ＵＥ Ｂ、ＵＥ Ｃ及び基地局を含む他、機能エンティティとしてのフェデレーションラーニングコントローラ（ＦＬＣＦ）をさらに含む。ＦＬＣＦは、各ユーザ機器からのローカルモデルのパラメータを受信してアグリゲートしてグローバルモデルを得て、グローバルモデルのパラメータを、基地局を介して各ユーザ機器に送信する。さらに、ＦＬＣＦはまた、ユーザ機器からの状態情報と使用可能な無線リソース情報を基地局から受信して、異なるユーザ機器に対してどのようにそれにモデルアップロードのための上りリンクリソースを割り当てるかを決定する。ＦＬＣＦが所在する位置は、フェデレーションラーニングにおける制御エンティティが誰であるかを決定する。例えば、ＦＬＣＦは、基地局内に位置してもよいし、基地局と通信できる別個のサーバ内に位置してもよく、基地局と通信できるコアネットワークにおけるネットワークエレメント内に位置してもよい。それに応じて、制御エンティティは、それぞれ基地局、サーバ、コアネットワークネットワークエレメントである。図１において、ＦＬＣＦは基地局内に位置するので、基地局は、フェデレーションラーニングの制御エンティティである。ＦＬＣＦが他の機器に位置すれば、図１における基地局を対応機器に置き換えればよい。
【0028】
引き続き図２を参照すると、ＵＥ Ａ、ＵＥ Ｂ及びＵＥ Ｃは、何れもＦＬアプリケーションを含み、ＦＬＣＦは、ＦＬアプリケーションサーバを含む。ＵＥ Ａ、ＵＥ ＢとＵＥ Ｃは、エアインターフェースＬＴＥ－Ｕｕを介して基地局とインターフェースする。ＵＥ Ａ、ＵＥ ＢとＵＥ Ｃの間のＶ１は、ユーザ側エッジ情報のやり取りを表す。ＦＬアプリケーションとＦＬアプリケーションサーバとの間のＶ２は、フェデレーションラーニングフレームワークでのモデルの要求、配信、アップロード及びダウンロードを表す。ＦＬＣＦが基地局に位置しない場合、Ｖ２に含まれる過程の情報伝送は、基地局を介して転送される必要がある。ＵＥ Ａ、ＵＥ Ｂ及びＵＥ Ｃと基地局との間のＶ２は、ユーザ機器が基地局にユーザ機器の状態情報、例えば、ユーザ機器がローカルモデルをトレーニングするために使用するサンプル数量、ユーザ機器と基地局との距離などを送信することを表す。基地局とＦＬＣＦとの間のＶ３は、基地局が、上りリンクリソース割り当てにおいて必要な情報、例えば、Ｖ２で受信された状態情報、及びローカルモデルアップロード段階で使用可能な無線リソース（例えば、モデルアップロードに専用の有限の所与の上りリンクリソース及び一時的に占有され得る上りリンクリソース）をＦＬＣＦに提供することを表す。Ｖ３はまた、ＦＬＣＦが基地局にフェデレーションラーニングのＱｏＳ要求（例えば、フェデレーションラーニングのパラメータ伝送に固有の５ＱＩ値）を提供し、基地局にモデルアップロードのための上りリンクリソース割り当て命令を送信することにより、基地局が当該上りリンクリソース割り当て命令に基づいて各ユーザ機器に相応な上りリンクリソースを割り当ててモデルアップロードを行うようにすることを表し得る。
【0029】
無線リソースの有限性により、フェデレーションラーニングに専用の無線リソースは、ローカルモデルを全てアップロードできないので、グローバルモデルの誤差が大きくなる可能性がある。本開示の実施例は、異なるユーザ機器におけるローカルモデルがグローバルモデルにとって異なる重要度を有し得ることを考慮して、より重要なローカルモデルを優先的にアップロードできれば、グローバルモデルの誤差が低減され得ることを想定する。この考えに基づいて、上述のＶ２とＶ３を導入した。以下、図３に示す方法３００のフローチャートを参照して、Ｖ２とＶ３について具体的に説明する。方法３００の実行により、ローカルモデルパラメータをアップロードするための上りリンクリソースは、異なるユーザ機器により合理的に割り当てられることができるため、グローバルモデルの誤差を低減することができる。
【0030】
Ｓ３１０では、ユーザ機器は、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信する。
【0031】
フェデレーションラーニングのような分散型機械学習のフレームワークでは、現在のトレーニングサンプルの実際の状況などにより良くマッチングして、より高い精度を有するように、複数回の反復によってローカルモデルのパラメータを持続的に更新する必要がある。毎回の反復において、ユーザ機器は、収集したトレーニングサンプルに基づいて、そのローカルモデルをトレーニングする。トレーニング過程において、ユーザ機器は、当該トレーニングに全部で使用するトレーニングサンプルの数量を決定し、その数量を、メッセージ（例えば、シグナリング）を介して制御エンティティにフィードバックする。
【0032】
トレーニングサンプルの数量は、ユーザ機器のローカルモデルの重要度をある程度反映している。ユーザ機器がローカルモデルをトレーニングする際に使用するトレーニングサンプルの数量が多いほど、当該モデルのパラメータは、より多くのデータの情報を反映できることを表すので、より高い信頼度を有し、それにより、当該モデルが予測する結果はより正確であり、当該モデルはより重要になる。
【0033】
制御エンティティは、図２におけるＦＬＣＦが所在するネットワーク機器（例えば、基地局、サーバ、及びコアネットワークネットワークエレメント）であってもよく、分散型機械学習グループ（例えば、フェデレーションラーニンググループ）における各ユーザ機器におけるローカルモデルパラメータからグローバルモデルを得て、グローバルモデルのパラメータをユーザ機器に送信するために用いられる。制御エンティティは、さらに、グループにおける各ユーザ機器のためにモデルアップロードに用いられる上りリンクリソース割り当てを決定するために用いられる。
【0034】
Ｓ３２０では、ユーザ機器は、ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信する。ここで、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられる。
【0035】
同じフェデレーションラーニンググループに位置する各ユーザ機器は、現在の反復においてローカルモデルをトレーニングする際に使用するトレーニングサンプルの数量情報を制御エンティティに提供する必要がある。制御エンティティは、各ユーザ機器が使用するトレーニングサンプル数量に基づいて、数量の大小関係を決定することができる。トレーニングサンプル数量が多いユーザ機器を用いるほど、トレーニングされたローカルモデルは、一般的には、より多くのデータ情報を含むので、より正確である（又はより重要である）。このため、制御エンティティは、サンプル数量が多いユーザ機器に、ローカルモデルパラメータをアップロードするのに十分な上りリンクリソースを割り当てることにより、より重要なローカルモデルがアップロードできることを確保することができる。特に、無線リソースが限られている場合、より重要なローカルモデルがアップロードできることを優先的に確保することは、グローバルモデルの誤差を低減するのに重要な役割を果たす。具体的な上りリンクリソース割り当て方式については後述する。
【0036】
制御エンティティが上りリンクリソースを割り当てた後、割り当てられた上りリンクリソースに関する情報は、ユーザ機器に通知されてもよい。それにより、ユーザ機器は、割り当てられた上りリンクリソースでモデルパラメータを送信することができる。
【0037】
Ｓ３３０では、ユーザ機器は、制御エンティティが次のグローバルモデルを得るように、上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードする。
【0038】
ユーザ機器は、自身に割り当てられた上りリンクリソースでローカルモデルのパラメータを制御エンティティに送信する。制御エンティティは、異なるユーザ機器がアップロードしたパラメータに基づいて、既存の技術（例えば、フェデレーションラーニングにおけるアグリゲート技術）にしたがってグローバルモデルを得ることができる。グローバルモデルを得た後、制御エンティティは、グローバルモデルのパラメータをユーザ機器に送信してもよい。それにより、ユーザ機器は、ローカルモデルを更新して、次の反復において新しいトレーニングデータを用いて更新後のローカルモデルをトレーニングし続け得る。
【0039】
上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースであってもよい。これにより、パラメータのアップロードが低遅延と高信頼性を有することを確保することができ、グローバルモデル誤差の低減に寄与する。しかしながら、無線システムにおいては、無線リソースは往々にして限られているため、モデルアップロードに専用の上りリンクリソース（例えば、ＵＲＬＬＣリソース）は、全てのユーザ機器が何れもアップロードできるようにするには不十分であり得る。この場合、一時的に何らかのリソースを占有してモデルのアップロードに用いることが考えられる。例えば、フェデレーションラーニンググループにおける全てのユーザ機器がモデルアップロード段階で行っている非遅延敏感型トラフィックの上りリンクリソース、例えば、ｅＭＢＢトラフィックの上りリンクリソースは、一時的に占有され得る。このとき、占有され得る上りリンクリソースは、元のトラフィックによってリリースされ、上りリンクリソースが欠けているユーザ機器に割り当てられてモデルパラメータをアップロードする。これにより、より多くのモデルパラメータが制御エンティティにアップロードされてアグリゲートできることを確保し、グローバルモデルの誤差をさらに低減する。アップロード段階において、所与の有限数のＵＲＬＬＣトラフィック上りリンクリソース（その数量は、一般的にはユーザ機器の数量よりも少ない）を使用することにより、且つ、ランダムな若干の占有に利用可能なｅＭＢＢトラフィック上りリンクリソースを使用することが可能であるため、上りリンクリソースをより適宜スケジューリングし、モデルアップロードのニーズを満たすことができる。
【0040】
図２におけるＲＬＣＦが所在する位置によって、Ｓ３１０からＳ３３０は、異なる機器に繋がる。例えば、図２におけるＦＬＣＦが基地局内に位置する場合、制御エンティティは基地局である。このとき、Ｓ３１０とＳ３３０は、ユーザ機器と基地局との間の通信に繋がり、Ｓ３２０の上りリンクリソース情報は、基地局により直接決定され、ユーザ機器に送信される。また、例えば、図２におけるＦＬＣＦが基地局の外部のネットワーク機器（例えば、サーバ又はコアネットワークネットワークエレメント）内に位置し得る場合、制御エンティティは、サーバ又はコアネットワークネットワークエレメントである。このとき、Ｓ３１０でユーザ機器により送信された数量情報と、Ｓ３３０でユーザ機器により送信されたモデルパラメータは、基地局を介して制御エンティティに転送される必要があり、Ｓ３２０でユーザ機器により受信された上りリンクリソース情報は、まず制御エンティティにより基地局に送信され、そして基地局によりユーザ機器に転送される必要がある。制御エンティティが基地局に送信する上りリンクリソース情報と、基地局がユーザ機器に転送する上りリンクリソース情報の具体的な形態は、異なってもよいが、何れも同じ上りリンクリソースを指している。両者とも同じ上りリンクリソースを指しているので、両者は実質的に同一であると考えてよい。好ましくは、ＦＬＣＦは基地局内にあり、それにより、基地局は制御エンティティである。このように、モデルパラメータのやり取り遅延をより小さくし、且つ、より安定で確実なものとすることができる。また、好ましくは、無線ネットワークにおいて使用される分散型機械学習は、フェデレーションラーニングである。
【0041】
上記の技術案によれば、ローカルモデルをトレーニングするために使用されるトレーニングサンプル数量情報を制御エンティティ（例えば、基地局）に送信することにより、制御エンティティは、異なるユーザ機器が報告したサンプル数量に基づいて、異なるユーザ機器におけるローカルモデルの重要度を決定することができる。それにより、より多くのトレーニングサンプルを利用してより重要なローカルモデルが制御エンティティにアップロードされる機会が増え、グローバルモデルのアグリゲートは、より重要なローカルモデルに基づくことができ、グローバルモデルの誤差を低減することができる。
【0042】
本開示の実施例によれば、ユーザ機器は、制御エンティティに数量情報を送信する他、それと基地局との距離情報を制御エンティティに送信してもよい。当該距離情報は、ユーザ機器と基地局との間の物理的距離、例えば、信号伝送の直線距離などを反映し得る。距離情報をアップロードする理由は、制御エンティティが上りリンクリソースを割り当てる際に、基地局からの距離がより近いユーザ機器を優先的に満足させることにより、分散型機械学習グループにおけるユーザ機器のエネルギー消費を最適化するためである。
【0043】
ユーザ機器の動作には電池の電力を消費する必要があり、電池容量は限られている。ユーザ機器がより長い持続時間を有することを可能にするために、フェデレーションラーニングの過程において、個々のユーザ機器がモデルパラメータを伝送するために消費する総エネルギーが過大にならないように、フェデレーションラーニンググループにおける全てのユーザ機器に総電力制約を設定してもよい。総電力制約は、平均電力制約に基づいて決定されてもよい。平均電力は、フェデレーションラーニングに参加する全てのユーザ機器のデータ送信電力の平均値を指し、基地局によって、ユーザ機器から受信された信号強度に基づいて決定されてもよい。電力制約は、制御エンティティが上りリンクリソースを割り振る際に考慮に入れるように、制御エンティティに提供され得る。
【0044】
制御エンティティが、ユーザ機器がローカルモデルをトレーニングするために使用するサンプル数量を知っているだけでなく、ユーザ機器と基地局との距離も知っている場合、制御エンティティは、サンプル数量が大きく、且つ距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるようにすることができる。使用するトレーニングサンプル数量が大きいほど、対応するローカルモデルがより重要であることを意味する。基地局からの距離が小さいほど、ユーザ機器がローカルモデルをアップロードするために消費するエネルギーが小さいことを意味し、エネルギー消費の点で有利である。このように、より重要なローカルモデルがアップロードされることを確保できるだけでなく、より重要で、且つアップロードするために消費するエネルギーが小さいローカルモデルほど、アップロードされることが優先的に確保される。
【0045】
図４は、本開示の実施例による分散型機械学習の毎回の反復の過程を示し、その中、モデルアップロードに専用の上りリンクリソース以外に、一時的に占有され得るリソースは、図４の例ではｅＭＢＢ上りリンクリソースである。
【0046】
図４に示すように、第ｎ回の反復と、第ｎ＋１回の反復は、同じ反復過程を有するが、毎回の反復で一時的に占有され得るｅＭＢＢリソースは異なる。毎回の反復は、３つの段階を含む。段階１は、ユーザ機器のローカルモデルトレーニング段階であり、段階２は、ユーザ機器の状態情報アップロード段階であり、段階３は、制御エンティティのリソース割り当て、ユーザ機器のローカルモデルアップロード、及び制御エンティティのグローバルモデル送信段階である。図４の例では、制御エンティティは基地局であり、分散型機械学習はフェデレーションラーニングである。
【0047】
フェデレーションラーニンググループは、ユーザ機器１、ユーザ機器２、・・・、ユーザ機器Ｕを含み、全部でＵ個のユーザ機器がある。各ユーザ機器は、ユーザ機器がローカルで収集したトレーニングサンプルに応じて、段階１（例えば、Ａ１～Ａ２、Ｂ１～Ｂ２）でトレーニングされるローカルモデルを有する。段階２（例えば、Ａ２～Ａ３、Ｂ２～Ｂ３）において、各ユーザ機器ｉは、各々の、モデルをトレーニングするために使用するサンプル数量Ｋｉ（ｎ）を含む状態情報を基地局に送信する。状態情報は、ユーザ機器ｉと基地局との距離ｄｉ（ｎ）をさらに含んでもよい。基地局がグループにおける全てのユーザ機器の状態情報を受信すると、反復過程は段階３（例えば、Ａ３～Ｂ１、Ｂ３～次の反復がローカルモデルをトレーニングすることを開始するタイミング）に進む。段階３が開始されるタイミング（例えば、Ａ３とＢ３）において、基地局は、それとグループにおける全てのユーザ機器が行っているｅＭＢＢトラフィックを決定してもよい。これら行っているｅＭＢＢトラフィックの上りリンクリソースは、ローカルモデルパラメータをアップロードするために現在の反復が占有し得るリソースである。
【0048】
図４では、Ａ３において、２つのｅＭＢＢトラフィックが現れ、これら２つのｅＭＢＢトラフィックの上りリンクリソースは、ローカルモデルパラメータを伝送するために一時的に占有され得るリソースである。Ｂ３では、１つのｅＭＢＢトラフィックが現れ、このｅＭＢＢトラフィックの上りリンクリソースは、ローカルモデルパラメータを伝送するために一時的に占有され得るリソースである。一時的に占有されたｅＭＢＢトラフィックの上りリンクリソースは、当該ｅＭＢＢトラフィックのリソースがどのユーザ機器からのものであるかにかかわらず、グループにおける、ローカルモデルをアップロードする必要がある任意のユーザ機器に割り当てられてもよい。
【0049】
図５には、本開示の実施例による制御エンティティとユーザ機器との間のやり取り過程５００が示される。図５では、制御エンティティが基地局５０５である場合を例にして説明する。当業者が理解できるように、制御エンティティが他のネットワーク機器である場合、似た過程を行ってもよい。
【0050】
図５に示すように、分散型機械学習の第ｎ回の反復の開始から終了までの時間長はＴ０であり、第ｎ回の反復の終了の時刻は、次回（第ｎ＋１回）の反復が開始される時刻である。分散型機械学習グループにおけるユーザ機器ｉは、第ｎ回の反復が開始されると、ローカルで収集したトレーニングサンプルによりローカル機械学習モデル（ローカルモデルと略称する）のトレーニングを開始する。Ｓ５１０において、ユーザ機器ｉは、ローカルモデルをトレーニングするために使用されるトレーニングサンプルの数量Ｋｉ（ｎ）と、ユーザ機器ｉと基地局５０５との距離ｄｉ（ｎ）とを基地局５０５に送信し、例えば、物理上りリンク共有チャネル（ＰＵＳＣＨ）を介して基地局５０５に送信する。Ｋｉ（ｎ）とｄｉ（ｎ）は、同時に送信されてもよいし、別々に送信されてもよい。
【0051】
Ｓ５２０では、基地局５０５は、グループにおける全てのユーザ機器から受信したＫｉ（ｎ）とｄｉ（ｎ）に基づいて、ユーザ機器ｉに割り当てる必要がある上りリンクリソースＸｉ（ｎ）を決定する。具体的なリソース割り当て方式については後述する。上りリンクリソースＸｉ（ｎ）は、モデルアップロードに専用のＵＲＬＬＣリソースであってもよいし、基地局がグループにおける全てのユーザ機器のＫｉ（ｎ）とｄｉ（ｎ）を受信したとき、これらユーザ機器と基地局５０５との間で行われている非遅延敏感型トラフィックのリソース、例えば、ｅＭＢＢリソースであってもよい。非遅延敏感型トラフィックのリソースが、モデルパラメータを伝送するために占有される必要があるとき、当該リソースは、基地局５０５と相応なユーザ機器によって完全にリリースされ、全てモデルパラメータを伝送するために用いられる。
【0052】
Ｓ５３０では、基地局５０５は、リソース割り当て結果Ｘｉ（ｎ）をユーザ機器ｉに通知する。
【0053】
Ｓ５４０では、ユーザ機器ｉは、Ｘｉ（ｎ）によって示される上りリンクリソースでローカルモデルのパラメータωｉ（ｎ）を基地局５０５にアップロードする。
【0054】
Ｓ５５０では、基地局５０５は、受信したグループにおけるユーザ機器からのローカルモデルに基づいて、アグリゲートしてグローバル機械学習モデル（グローバルモデルと略称する）を得て、グローバルモデルのパラメータｇｉ（ｎ）をユーザ機器ｉに送信する。それにより、ユーザ機器ｉは、ｇｉ（ｎ）を利用してローカルモデルを更新する。
【0055】
次に、ユーザ機器ｉは、第ｎ＋１回の反復を開始し、更新されたローカルモデルをトレーニングし、Ｓ５６０において、ローカルモデルをトレーニングするために使用されるトレーニングサンプルの数量Ｋｉ（ｎ＋１）と、ユーザ機器ｉと基地局５０５との距離ｄｉ（ｎ＋１）を基地局５０５に送信する。ユーザ機器ｉが静止しているとき、距離ｄｉ（ｎ＋１）は、送信されなくてもよい。その後、Ｓ５２０～Ｓ５５０と同様に、基地局５０５は、引き続き、新たな状態情報に基づいて上りリンクリソースを割り当て、リソース割り当て結果をユーザ機器ｉに通知する。ユーザ機器ｉは、ローカルモデルパラメータをアップロードし、基地局５０５は、グローバルモデルパラメータを送信する。これにより、一巡する新しい反復を完成させる。反復プロセスは、継続的に行われてもよい。これにより、各ユーザ機器における機械学習モデルは、より多くのトレーニングサンプルにマッチングすることができ、より正確になる。
【0056】
以下では、フェデレーションラーニングを例にして、制御エンティティが、ユーザ機器が送信した数量情報と距離情報を含む状態情報に基づいて上りリンクリソース割り当てを行う過程を説明するが、フェデレーションラーニングに用いられる上りリンクリソースは、モデルアップロードに専用のＵＲＬＬＣトラフィックリソースに加えて、一時的に占有され得るｅＭＢＢリソースをさらに含む。
【0057】
制御エンティティが、フェデレーションラーニンググループにおける各ユーザ機器から、現在の反復においてローカルモデルをトレーニングするために使用されるトレーニングサンプルの数量情報と、ユーザ機器と基地局との距離情報を受信すると、制御エンティティは、ローカルモデルがアップロードされるように、上りリンクリソースをリアルタイムに動的に割り当てることができる。具体的には、一態様では、制御エンティティは、ユーザ機器がローカルモデルをトレーニングするために使用するサンプル数量情報を考慮して、ユーザ機器がトレーニングするローカルモデルの重要度を判断してもよい。別の態様では、制御エンティティは、平均電力制限を満たすように、ユーザ機器と基地局との距離情報を考慮してもよい。さらに別の態様では、フェデレーションラーニングに専用の無線リソースの数量がグループにおけるユーザ機器の数量よりも少ないことを考慮して、制御エンティティは、リソースの有限性を決定してもよい。モデルの重要度、電力制限、及び／又は無線リソース制限に基づいて、制御エンティティは、ユーザ機器間の無線リソース割り当てを決定して、グローバルモデルの誤差を最小化するという要望を実現することができる。
【0058】
エネルギー消費コスト、無線リソースコスト、及び機械学習効果の最適化を可能な限り同時に実現するために、発明者らは、上りリンクリソース割り当てが考慮すべき要素を以下のように設計した：
式（１）中の各変数は、以下のように定義される：
ｇ（ｎ）：第ｎ回の反復後、フェデレーションラーニングで得られたグローバルモデル。
ｇ＊：最適なグローバルモデル。
Ｆ（ｇ）：モデルｇの誤差関数。その具体的な形態は、モデルの特定の表現に依存する。
Ｕ：フェデレーションラーニングに参加しているユーザ機器の総数。即ち、フェデレーションラーニンググループにおけるユーザ機器の総数。
Ｌ（ｎ）：フェデレーションラーニングに専用のＵＲＬＬＣトラフィックの上りリンクリソース割り当て
ここで、Ｌｉ（ｎ）＝０又は１となる。Ｌｉ（ｎ）＝０は、ユーザ機器ｉにフェデレーションラーニングに専用のＵＲＬＬＣトラフィックリソースが割り当てられていないことを示し、Ｌｉ（ｎ）＝１は、ユーザ機器ｉにフェデレーションラーニングに専用のＵＲＬＬＣトラフィックリソースが割り当てられていることを示す。
Ａｉ（ｎ）：ユーザ機器ｉが占有するｅＭＢＢトラフィックの上りリンクリソース割り当て。ここで、Ａｉ（ｎ）＝０又は１となる。Ａｉ（ｎ）＝０は、ユーザ機器ｉにフェデレーションラーニングに一時的に使用されるｅＭＢＢトラフィックリソースが割り当てられていないことを示し、Ａｉ（ｎ）＝１は、ユーザ機器ｉにフェデレーションラーニングに一時的に使用されるｅＭＢＢトラフィックリソースが割り当てられていることを示す。
ｄｉ（ｎ）：ユーザ機器ｉと基地局との距離。
ηとμ：比例因子。例えば、ラグランジュ乗数。
Ｅ（．）：算術的期待値。
：０ノルム。計算結果は、ベクトルのうち０より大きい成分の数である。
：特性関数。括弧内のイベントが真である場合、関数値が１であり、そうでない場合、関数値が０になる。
【数4】
ｇ（ｎ）：第ｎ回の反復後、フェデレーションラーニングで得られたグローバルモデル。
ｇ＊：最適なグローバルモデル。
Ｆ（ｇ）：モデルｇの誤差関数。その具体的な形態は、モデルの特定の表現に依存する。
Ｕ：フェデレーションラーニングに参加しているユーザ機器の総数。即ち、フェデレーションラーニンググループにおけるユーザ機器の総数。
Ｌ（ｎ）：フェデレーションラーニングに専用のＵＲＬＬＣトラフィックの上りリンクリソース割り当て
【数5】
Ａｉ（ｎ）：ユーザ機器ｉが占有するｅＭＢＢトラフィックの上りリンクリソース割り当て。ここで、Ａｉ（ｎ）＝０又は１となる。Ａｉ（ｎ）＝０は、ユーザ機器ｉにフェデレーションラーニングに一時的に使用されるｅＭＢＢトラフィックリソースが割り当てられていないことを示し、Ａｉ（ｎ）＝１は、ユーザ機器ｉにフェデレーションラーニングに一時的に使用されるｅＭＢＢトラフィックリソースが割り当てられていることを示す。
ｄｉ（ｎ）：ユーザ機器ｉと基地局との距離。
ηとμ：比例因子。例えば、ラグランジュ乗数。
Ｅ（．）：算術的期待値。
【数6】
【数7】
【0059】
式（１）において、上りリンクリソース割り当てに考慮すべき要素は３つの部分に分けられる。第１の部分Ｅ（Ｆ（ｇ（ｎ＋１））－Ｆ（ｇ＊））は、第ｎ回の反復アグリゲート後のグローバルモデル誤差の期待を表し、機械学習の効果又は人工知能（ＡＩ）トレーニング効果に対応する。第２の部分
は、第ｎ回の反復においてローカルモデルがアップロードされる際に使用されるフェデレーションラーニングに専用のＵＲＬＬＣトラフィックリソースを表し、無線リソースコストに対応する。第３の部分
は、第ｎ回の反復においてローカルモデルがアップロードされる際の無線信号の経路損失を表し、エネルギー消費コストに対応する。無線リソースコスト及びエネルギー消費コストが制限されている場合にグローバルモデル誤差を最小化するために、最適化目標は以下のように確立される：
ｓ．ｔ．
【数8】
【数9】
【数10】
【数11】
【数12】
【数13】
【数14】
【0060】
上記式は、式（３）～（６）に制限されている場合、式（２）が最小であるように、Ａ（ｎ）とＬ（ｎ）を探すことを意味する。ここで、Ａ（ｎ）は、フェデレーションラーニンググループにおけるユーザ機器が占有するｅＭＢＢトラフィックの上りリンクリソース割り当であり、
は、式（１）中の意味と同じである。また、式（２）～式（６）において、式（１）と同じ記号は同じ意味を有し、ここではこれ以上説明せず、式（１）と異なる記号の意味についてのみ説明する。
Ｌｔｈ：フェデレーションラーニングに専用のＵＲＬＬＣ上りリンクリソースの最大値であり、無線リソースコスト制約を表す。この値は基地局によって決定されてもよい。例えば、当該値は、基地局が合計で利用可能なＵＲＬＬＣ上りリンクリソースの所定のパーセンテージであってもよく、例えば、５％、１０％、２０％などである。当該値は、ユーザによって基地局に設定されてもよいし、所定の規則に従って配置されてもよい。制御エンティティが基地局でない場合、当該値は、基地局によって制御エンティティに送信される。
Ｐｔｈ：フェデレーションラーニングに用いられるユーザ機器の最大総エネルギー消費であり、エネルギー消費コスト制約を表す。この値は、基地局によって、フェデレーションラーニンググループにおけるユーザ機器のデータ送信電力の平均値に基づいて決定されてもよい。例えば、この値は、平均値にグループにおけるユーザ機器総数を乗じた値であってもよいし、ユーザが予め基地局に設定したエネルギー消費に関する閾値であってもよい。制御エンティティが基地局でない場合、当該値は、基地局によって制御エンティティに送信される。
ωｉ（ｎ）：第ｎ回の反復において、ユーザ機器ｉがトレーニングしたローカルモデルのパラメータ。
Ｋｉ（ｎ）：第ｎ回の反復において、ユーザ機器ｉがローカルモデルをトレーニングする際に使用するトレーニングサンプルの数量。
Ｃ（ｎ）：第ｎ回の反復において、ローカルモデルがアップロードされる時に、占有され得るｅＭＢＢトラフィックリソースの総量。この値は、基地局によって、それがグループにおけるユーザ機器のＫｉ（ｎ）とｄｉ（ｎ）を受信したときに基地局とグループにおけるユーザ機器との間で行われているｅＭＢＢトラフィックに基づいて決定される。例えば、この値は、行われているｅＭＢＢトラフィックの上りリンクリソースの総量に等しくてもよいし、当該総量の所定のパーセンテージ、例えば、５０％、７０％などに等しくてもよい。
【数15】
Ｌｔｈ：フェデレーションラーニングに専用のＵＲＬＬＣ上りリンクリソースの最大値であり、無線リソースコスト制約を表す。この値は基地局によって決定されてもよい。例えば、当該値は、基地局が合計で利用可能なＵＲＬＬＣ上りリンクリソースの所定のパーセンテージであってもよく、例えば、５％、１０％、２０％などである。当該値は、ユーザによって基地局に設定されてもよいし、所定の規則に従って配置されてもよい。制御エンティティが基地局でない場合、当該値は、基地局によって制御エンティティに送信される。
Ｐｔｈ：フェデレーションラーニングに用いられるユーザ機器の最大総エネルギー消費であり、エネルギー消費コスト制約を表す。この値は、基地局によって、フェデレーションラーニンググループにおけるユーザ機器のデータ送信電力の平均値に基づいて決定されてもよい。例えば、この値は、平均値にグループにおけるユーザ機器総数を乗じた値であってもよいし、ユーザが予め基地局に設定したエネルギー消費に関する閾値であってもよい。制御エンティティが基地局でない場合、当該値は、基地局によって制御エンティティに送信される。
ωｉ（ｎ）：第ｎ回の反復において、ユーザ機器ｉがトレーニングしたローカルモデルのパラメータ。
Ｋｉ（ｎ）：第ｎ回の反復において、ユーザ機器ｉがローカルモデルをトレーニングする際に使用するトレーニングサンプルの数量。
Ｃ（ｎ）：第ｎ回の反復において、ローカルモデルがアップロードされる時に、占有され得るｅＭＢＢトラフィックリソースの総量。この値は、基地局によって、それがグループにおけるユーザ機器のＫｉ（ｎ）とｄｉ（ｎ）を受信したときに基地局とグループにおけるユーザ機器との間で行われているｅＭＢＢトラフィックに基づいて決定される。例えば、この値は、行われているｅＭＢＢトラフィックの上りリンクリソースの総量に等しくてもよいし、当該総量の所定のパーセンテージ、例えば、５０％、７０％などに等しくてもよい。
【0061】
上記の最適化問題は多目的最適化問題であり、解を求めることが複雑であるため、上記多目的最適化問題を単一目的の最適化問題に変換することが望ましい。多目的の線形重み付けを最小化することによって、多目的最適化問題を単一目的の最適化問題に変換することができる。式（７）～（９）に示すように、上記の最適化問題は、以下のように変換される：
ｓ．ｔ．
上記式は、式（８）～（９）に制限されている場合、式（７）が最小であるように、Ａ（ｎ）とＬ（ｎ）を探すことを意味する。その中、式（７）～式（９）において、式（２）～式（６）と同じ記号は同じ意味を有し、ここではこれ以上説明しない。
【数16】
【数17】
【数18】
【0062】
上記の最適化問題の難点は、目的関数の第１の部分Ｅ（Ｆ（ｇ（ｎ＋１））－Ｆ（ｇ＊））の表現にある。この期待値の結果は、一般的には、明示的ではなく、且つその正確な結果は、具体的なＡＩモデルによって決まるので、正確な式によって決定されることは困難である。幸いにも、Ｍ．Ｃｈｅｎ、Ｚ．Ｙａｎｇ、Ｗ．Ｓａａｄ、Ｃ．Ｙｉｎ、Ｈ．Ｖ．ＰｏｏｒとＳ．Ｃｕｉが２０２１年１月にＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ、第２０巻、第１号、第２６９～２８３頁に発表したタイトルが「Ａ Ｊｏｉｎｔ Ｌｅａｒｎｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｆｅｄｅｒａｔｅｄ Ｌｅａｒｎｉｎｇ Ｏｖｅｒ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ」である非特許文献には、当該期待値の上限が与えられ、この非特許文献は、参照として本明細書に取り込まれる。この期待値の前記上限は、以下の通りである：
式（７）におけるＥ（Ｆ（ｇ（ｎ＋１））－Ｆ（ｇ＊））の代わりに、不等式における第１項
を用いることができる。上記不等式における第２項
は定数であり、最適化問題の求解に影響を与えず、式（７）に代入する必要がない。
【数19】
【数20】
【数21】
【0063】
第１項
における各記号の意味は、以下の通りである：
パラメータξ１、Ｌ、Ａは、特定の機械学習モデルに関し、最適化問題において定数である。パラメータＫは、現在の反復において全てのユーザ機器がローカルモデルをトレーニングするために使用するサンプル数量の和であり、即ち、
である。ここで、パラメータＫｉは、ユーザ機器ｉが現在の反復においてローカルモデルをトレーニングするために使用するサンプルデータ量の大きさを表す。パラメータ
は、ユーザ機器ｉのローカルモデルがアップロードされたか否かを表す。この最適化問題では、
となる。ユーザ機器ｉのローカルモデルがまだアップロードされていない場合、
となる。そうでない場合、
関数ｑｉ（ｒｉ，Ｐｉ）は、ユーザ機器ｉが無線ネットワークを介してローカルモデルをアップロードする符号誤り率を表す。現在の例において、フェデレーションラーニングに専用の上りリンクリソースはＵＲＬＬＣトラフィックリソースであるので、その符号誤り率は定数１０－５に設定され得る。
【数22】
パラメータξ１、Ｌ、Ａは、特定の機械学習モデルに関し、最適化問題において定数である。パラメータＫは、現在の反復において全てのユーザ機器がローカルモデルをトレーニングするために使用するサンプル数量の和であり、即ち、
【数23】
【数24】
【数25】
【数26】
【数27】
【0064】
式（７）におけるＥ（Ｆ（ｇ（ｎ＋１））－Ｆ（ｇ＊））の代わりに、上記第１項を用いた後、式（７）における最適化問題の求解を開始する。ηとμの値を設定することで、式（７）を最小化するＡ（ｎ）とＬ（ｎ）を得ることができる。Ａ（ｎ）が式（６）の制約を満たさない場合、且つ／又は、Ｌ（ｎ）が式（３）の制約を満たない場合、ηとμの値を調整して、式（７）を最小化するＡ（ｎ）とＬ（ｎ）を再び探す。得られたＡ（ｎ）とＬ（ｎ）が共に式（６）及び式（３）の制約を満たす場合、得られたＡ（ｎ）とＬ（ｎ）は、各ユーザ機器に割り当てるべき上りリンクリソースに対応する。例えば、
であれば、ユーザ機器１及び２には、フェデレーションラーニングに専用のＵＲＬＬＣ上りリンクリソースが割り当てられ、ユーザ機器３には上りリンクリソースが割り当てられておらず、ユーザ機器４及び５には、現在利用可能なｅＭＢＢ上りリンクリソースが割り当てられる。得られたＡ（ｎ）とＬ（ｎ）が依然として共に式（６）と（３）の制約を満たさない場合、式（６）と（３）の制約を満たすＡ（ｎ）とＬ（ｎ）を見出すまで、引き続きηとμの値を調整する。毎回の反復において、ηとμを再決定して、式（７）の解を再び求める必要がある。
【数28】
【0065】
ηとμを調整することによって、フェデレーションラーニング過程におけるエネルギー消費、無線リソース、及びＡＩモデル誤差の最適なトレードオフ関係を実現することができ、それにより、エネルギー消費コスト及び無線リソースコストを動的に調整して、異なる程度のトレーニング効果を得ることができる。上記式（７）の求解により、無線リソース及びエネルギー消費が制限されている場合に、モデルをアップロードするための合理的な上りリンクリソースを各ユーザ機器に割り当てることができる。それにより、より重要なローカルモデルに優先的に上りリンクリソースが割り当てられ、基地局からの距離が近いユーザ機器にも優先的に上りリンクリソースが割り当てられることができる。
【0066】
ユーザ機器に上りリンクリソースを割り当てた後、制御エンティティが基地局ではない場合、制御機器は、基地局を介してユーザ機器に情報を送信して、対応する上りリンクリソースを割り当てることができる。制御エンティティが基地局である場合、基地局は、式（７）の解を求めることによって得られた割り当て情報に基づいて、対応する上りリンクリソースをユーザ機器に割り当てる。ユーザ機器は、割り当てられた上りリンクリソースでローカルモデルのパラメータを送信する。
【0067】
ローカルモデルパラメータの伝送は、特定のサービス品質（ＱｏＳ）要求を満たすことができる。当該ＱｏＳ要求は、所定の５ＱＩ値によって指定されてもよい。例えば、５ＱＩ値は、図６に示す形態を有してもよい。
【0068】
図６に示すように、当該５ＱＩ値は、現在使用されていない値、例えば８７を採用してもよい。５ＱＩ値に関連するＱｏＳ特性は、リソースタイプ、デフォルト優先度レベル、パケット遅延バジェット（ＰＤＢ）、パケット誤り率（ＰＥＲ）、デフォルト平均ウィンドウ、デフォルト最大データバースト量のうちの少なくとも１つを含んでもよい。分散型機械学習（例えば、フェデレーションラーニング）のモデルパラメータ伝送のシナリオでは、リソースタイプは、保証ビットレート（ＧＢＲ）であってもよく、デフォルト優先度レベルは７０であってもよく、パケット遅延バジェットは１０ｍｓであってもよく、パケット誤り率は１０－６であってもよく、デフォルト平均ウィンドウは２０００ｍｓであってもよく、デフォルト最大データバースト量は定義されなくてもよい。このようなＱｏＳ要求を定義することにより、モデルパラメータの伝送に良好な遅延と信頼性を持たせることができ、分散型機械学習の精度をより高めることができる。
【0069】
この５ＱＩ値は、ユーザ機器に配置されてもよく、例えば、ユーザ機器がモデルアップロードにおいて対応するＱｏＳ要求を採用するように、ユーザ、コアネットワーク機器、又は基地局によってユーザ機器に設置される。
【0070】
ローカルモデルアップロードがこの５ＱＩ値が規定するＱｏＳ要求を満たす必要がある他、グローバルモデルの送信も、この５ＱＩ値が規定するＱｏＳ要求を満たす必要がある。例えば、基地局がグローバルモデルのパラメータを送信する際に対応するＱｏＳ要求を満たすように、この５ＱＩ値は、コアネットワーク機器、管理者、基地局で動作するプログラムによって基地局に配置されてもよい。
【0071】
以上は、無線通信ネットワークにおいて、分散型機械学習を利用するときに採用される技術について説明した。次に、無線通信ネットワークにおいてデータを伝送する際に使用される技術について説明する。
【0072】
まず、図７を参照して、本開示の実施例による基地局がユーザ機器にデータを送信するシステムアーキテクチャ７００の概略図について説明する。
【0073】
図７に示すように、送信側である基地局は、無線チャネルで受信側であるユーザ機器に下りリンクデータを送信する。図７における基地局及びユーザ機器は、図１における基地局及びユーザ機器と同じであってもよい。説明の便宜上、ここではそれらをそれぞれ同一の符号によって表す。
【0074】
あるネットワークサービスによる遅延に対する要求を満たすために、当該ネットワークサービスのデータパケットａ［ｎ］は、最大で、Ｔａ時間ごとに基地局１１０の送信キューｑ［ｎ］に到着することができる。ここで、Ｔａは、各データパケットが許容できる最大遅延である。基地局１１０は、Ｔｈ時間ごとにチャネル状態をサンプリングしてもよい。チャネルのサンプリング間隔Ｔｈは、各データパケットの許容遅延Ｔａよりも遥かに小さい。基地局１１０がキューｑ［ｎ］にあるデータパケットを送信するとき、基地局１１０は、ユーザ機器１２０によってフィードバックされたチャネル品質インジケータ（ＣＱＩ）によって表されるチャネル品質に対応する電力で、無線チャネルを介してデータパケットをユーザ機器１２０に送信する。
【0075】
ユーザ機器１２０は、基地局１１０からのデータパケットを受信する他、履歴チャネル状態に基づいて将来のチャネル状態を予測的に分析して、複数の将来のタイムスロットのうち、チャネル状態が最も良いタイムスロットを示すことができる情報を得てもよい。このような情報を基地局１１０にフィードバックすることで、基地局１１０は、どのタイムスロットで伝送すべきデータパケットを送信するかを決定することができる。さらに、ユーザ機器１２０は、予測されたチャネル状態が最も良いタイムスロットにおいて測定されたＣＱＩを基地局１１０にフィードバックしてもよい。当該ＣＱＩは、基地局１１０の電力割り当てを決定することができる。このように、基地局１１０は、チャネル状態の良いタイムスロットにおいて、そのタイムスロットの実ＣＱＩにマッチングする電力を用いてデータを伝送することで、チャネル状態の良くないタイムスロットの使用を回避しつつ、電力を合理的に割り当てることができ、下りリンクデータの伝送がより合理的となり、リソースの使用がより効率的となる。また、下りリンクデータの正確な伝送は、後でエラー訂正に起因するリソースのオーバーヘッドや無駄を回避できる。
【0076】
ユーザ機器１２０によって実行される予測的分析は、ネットワークのスケジューリング決定に重要な役割を果たし、この予測的分析は、ディープニューラルネットワーク（ＤＮＮ）などに基づいて実現されてもよい。予測的分析は、ユーザ機器１２０による最適なタイムスロットにおけるＣＱＩに対するフィードバックと組み合わされ、下りリンクデータ伝送性能の向上に寄与する。以下、図８を参照して、ユーザ機器１２０によって実行されるデータ伝送に用いられる方法８００のフローチャートについて具体的に説明する。
【0077】
Ｓ８１０において、ユーザ機器は、現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測する。前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示す。
【0078】
ユーザ機器は、収集した多数のチャネル状態情報をトレーニングデータとして用いて機械学習モデルをトレーニングすることにより、予測的分析に用いられる予測モデルを得ることができる。この予測モデルは、過去の若干のタイムスロットのチャネル状態から将来の若干のタイムスロットのチャネル状態を予測する機能を有してもよい。前記機能の実現は、機械学習モデルをトレーニングする既存の方式を採用してもよい。例えば、ニューラルネットワークの作成及びトレーニングに専用の開発ソフトウェアパッケージ、例えば、Ｐｙｃｈａｒｍ開発プラットフォームを採用する。Ｐｙｃｈａｒｍ開発プラットフォームに基づき、ｔｅｎｓｏｒｆｌｏｗモジュール構築モデルを利用してトレーニングすることにより、対応する機能を実現できるモデルを得ることができる。
【0079】
多数の既知のトレーニングサンプルが収集された後、モデルをトレーニングするための多数の入力データ及び出力データのペアを得るために、トレーニングサンプルをラベル付けする必要がある。ある時刻ｔより前の過去のＮ個のタイムスロットのチャネル状態を、それぞれのチャネルゲインでラベル付けし、共同でＤＮＮの入力データｘ［ｔ］＝［ｈ［ｔ－Ｎ－１］，…，ｈ［ｔ－１］，ｈ［ｔ］］とし、ここで、ｈ［ｘ］は、時刻ｘに対応するタイムスロットのチャネルゲインである。そして、この時刻ｔより後の将来のＭ個のタイムスロットのチャネル状態を、以下の４つの方式のうちの少なくとも１つでラベル付けし、共同でＤＮＮの出力データｙ［ｔ］とする。ｙ［ｔ］は、Ｍ個の要素を有し、そのうちの第１の要素は、時間ｔの後の第１のタイムスロットに対応し、第２の要素は、時間ｔの後の第２のタイムスロットに対応し、これによって類推すればよろしい。ＮとＭは、同じ又は異なる１より大きい正整数であり、例えば、Ｎは、８、１０、１６などに等しくてもよく、Ｍは、３、５、８などに等しくてもよい。次に、ラベル付けされた多数の対応関係を有するＤＮＮ入力データとＤＮＮ出力データを共に既存のＤＮＮトレーニングプログラムに入力し、ＤＮＮにおける各パラメータをフィッティングすることによって、将来のタイムスロットのチャネル状態を予測できる予測モデルを得る。
【0080】
トレーニング過程において、異なる方式でＤＮＮ出力データをラベル付けすることで、異なる予測モードを得ることができる。以下では、４つの異なる予測モードを得るために、４つの異なるラベル付け方式が与えられる。これら４つの異なる予測モードは、同時に使用される必要はない。これは、１つの通信システムが、そのうちの１つ又は複数の予測モードを使用することもできるし、全ての予測モードを使用することもできることを意味する。異なる通信システムが使用する予測モードは、同じであってもよいし、異なっていてもよい。１つの通信システムが複数の予測モードを使用できる場合、予測の度にどの予測モードを使用するかを選択してもよいし、管理者によってどの予測モードを使用するかを配置してもよい。ある予測モードを用いて予測を行うと、そのモードに対応する予測結果が得られる。これら４つの予測モードは、第１の予測モード、第２の予測モード、第３の予測モード、及び第４の予測モードを含む。ＤＮＮトレーニング期間において、これら４つの予測モードは、何れも上述したようなＤＮＮ入力データｘ［ｔ］を有しており、以下、その出力データについてそれぞれ説明する。
【0081】
第１の予測モードでは、ＤＮＮトレーニング期間において、将来のタイムスロットのチャネル状態のうち、最も高いチャネルゲインを有するタイムスロットは、１とラベル付けされ、他のタイムスロットは、０とラベル付けされ、共同でＤＮＮの出力データとされる。複数のタイムスロットのチャネルゲインが同じで最も高い場合、これら複数のタイムスロットのうち、最も古いタイムスロットは１とラベル付けされ、これら複数のタイムスロットのうち、他のタイムスロット及びチャネルゲインが最も高くないタイムスロットは共に０とラベル付けされ、共同でＤＮＮの出力データとされる。このようにトレーニングされたＤＮＮは、Ｎ個の過去のタイムスロットのチャネルゲインを受信し、Ｍ個の将来のタイムスロットのうち、チャネルゲインが最も高いタイムスロットを出力する。例えば、このようなＤＮＮを使用することにより、ユーザ機器１２０は、現在時刻ｔより前の複数の履歴タイムスロットのチャネルゲインから、出力データｙ［ｔ］＝［０，１，０］を求め、将来の３つのタイムスロットのうち、第２のタイムスロットのチャネル状態が最も良いと決定することができる。
【0082】
第２の予測モードでは、ＤＮＮトレーニング期間において、将来のタイムスロットのチャネル状態のうち、チャネルゲインが予め設定された閾値を超えるタイムスロットは、１とラベル付けされ、他のタイムスロットは、０とラベル付けされ、共同でＤＮＮの出力データとされる。このようにトレーニングされたＤＮＮは、Ｎ個の過去のタイムスロットのチャネルゲインを受信し、Ｍ個の将来のタイムスロットのうち、チャネルゲインが閾値を上回る全てのタイムスロットを出力する。例えば、このようなＤＮＮを使用することにより、ユーザ機器１２０は、現在時刻ｔより前の複数の履歴タイムスロットのチャネルゲインから、出力データｙ［ｔ］＝［０，１，１］を求めると、将来の第２及び第３のタイムスロットにおけるチャネルゲインが設定された閾値を上回って許容できるチャネル品質を有し、将来の第１のタイムスロットでは、チャネルゲインの予測結果が悪くてデータ送信に使用できないと決定することができる。このようなｙ［ｔ］情報を受信した基地局は、第２及び第３のタイムスロットを、共に最も高いチャネルゲインを有するタイムスロットと見なし、それにおいてデータを送信するように選択することができる。
【0083】
第３の予測モードでは、ＤＮＮトレーニング期間において、将来のタイムスロットのチャネル状態のうち、最も高いチャネルゲインを有するタイムスロットは、１とラベル付けされ、他のタイムスロットは、当該タイムスロットのチャネルゲインの最も高いチャネルゲインに対する割合値とラベル付けされ、共同でＤＮＮの出力データとされる。このようにトレーニングされたＤＮＮは、Ｎ個の過去のタイムスロットのチャネルゲインを受信し、Ｍ個の将来のタイムスロットの各々のチャネルゲインの相対的な大きさを出力する。例えば、このようなＤＮＮを使用することにより、ユーザ機器１２０は、現在時刻ｔより前の複数の履歴タイムスロットのチャネルゲインから、出力データｙ［ｔ］＝［０．５，１，０．８］を求めると、将来の３つのタイムスロットのうち、第２のタイムスロットにおけるチャネルゲインが最も高く、第１のタイムスロットにおけるチャネルゲインが第２のタイムスロットにおけるチャネルゲインの０．５であり、第３のタイムスロットにおけるチャネルゲインが第２のタイムスロットにおけるチャネルゲインの０．８であると決定することができる。このようなｙ［ｔ］情報を受信した基地局は、将来の第２のタイムスロットのチャネル状態が最も良いと決定することができ、それにおいてデータを送信するように選択することができる。
【0084】
第４の予測モードでは、ＤＮＮトレーニング期間において、将来のタイムスロットの各々は、そのタイムスロットのチャネルゲインの値でラベル付けされて、共同でＤＮＮの出力データとされる。このようにトレーニングされたＤＮＮは、Ｎ個の過去のタイムスロットのチャネルゲインを受信し、Ｍ個の将来のタイムスロットの各々のチャネルゲインを出力する。例えば、このようなＤＮＮを使用することにより、ユーザ機器１２０は、現在時刻ｔより前の複数の履歴タイムスロットのチャネルゲインから、出力データｙ［ｔ］＝［０．１，０．４，０．５］を求めると、ｈ［ｔ＋１］＝０．１，ｈ［ｔ＋２］＝０．４，ｈ［ｔ＋３］＝０．５と決定することができる。
【0085】
機械学習モデルの例としてＤＮＮを用いて予測モデルのトレーニング及び使用を説明したが、当業者が想到できるように、他の機械学習モデル、例えば、リカレントニューラルネットワーク、畳み込みニューラルネットワークなどを用いて予測モデルをトレーニングすることもでき、ＤＮＮは本開示に対する限定にならない。
【0086】
ユーザ機器は、上記予測モードのうちの１つのみを使用してチャネル状態の予測を行ってもよいし、上記予測モードのうちの複数を使用してチャネル状態の予測を行ってもよい。ユーザ機器が複数の予測モードを使用できる場合、これら複数の予測モードを同時に使用してもよいし、ユーザ又はシステムの選択又は設定に応じて、ある期間内に特定の１つを使用してもよい。ユーザ機器がどの予測モードを使用するかにかかわらず、予測して得られる結果を基地局にフィードバックする必要がある。それにより、基地局は、リソーススケジューリング及びデータ伝送を容易に行うことができる。
【0087】
図９には、機械学習モデルをトレーニングする概略図が示される。ユーザ機器１２０は、基地局１１０との通信中に、チャネル推定によってチャネル状態情報を収集してトレーニング用のサンプルデータとする。上記４つの予測モードの各々に対して、サンプルデータをラベル付けして多数のｘ［ｔ］及びｙ［ｔ］ペアを得て、これらｘ［ｔ］及びｙ［ｔ］ペアを、既存の開発プラットフォームで構築された機械学習モデルに入力してトレーニングすることにより、チャネル状態を予測できる予測モデルを得る。どの形式のｘ［ｔ］とｙ［ｔ］を採用してモデルをトレーニングすれば、当該モデルを使用する過程においてｘ［ｔ］に基づいて相応なｙ［ｔ］を得ることができる。
【0088】
より具体的には、図１０には、第１の予測モードで機械学習モデルをトレーニングする概略図が示される。現在時刻は０と表され、時刻－５から時刻０までのチャネルゲインは、共同でｘ［ｔ］を構成し、将来時刻１～３は、ｙ［ｔ］＝［０，１，０］とラベル付けされる。ｘ［ｔ］における各要素は、モデルの入力端の各ノードに入力され、ｙ［ｔ］における各要素は、モデルの出力端の各ノードに設定される。多数のｘ［ｔ］とｙ［ｔ］ペアをモデルに入力して演算することにより、履歴タイムスロットのチャネルゲインに基づいて、将来最も高いチャネルゲインを有するタイムスロットを予測できるモデルをトレーニングすることができる。当業者が理解できるように、他の予測モードについても、当該予測モードが実現する機能に応じて入力データ及び出力データのラベル付けを行ってトレーニングを行うことによって、この機能を実現する予測モデルを得ることができる。
【0089】
予測モデルがトレーニングされた後、ユーザ機器１２０は、現在時刻より前の複数の履歴タイムスロットのチャネルゲインをリアルタイムで予測モデルに入力して、相応な予測結果を得ることができる。ユーザ機器１２０が上記のどの予測モードを使用しても、予測結果は何れも将来のタイムスロットのチャネルゲインに関するものであり、予測結果から将来のタイムスロットのうち最も高いチャネルゲインを有するタイムスロットを決定することができる。
【0090】
さらに、ユーザ機器が予測モデルを使用して行う予測動作は、基地局によって送信された予測を開始するためのトリガコマンドに応答して開始されてもよい。例えば、ユーザ機器１２０に送信すべきデータが基地局１１０に到着し、又は基地局１１０によって生成されると、基地局１１０は、ユーザ機器１２０にトリガコマンドを送信してもよい。トリガコマンドを受信したことに応答して、ユーザ機器１２０は、予測動作を開始してもよい。また、ユーザ機器１２０の予測動作を必要に応じて設定してもよい。例えば、無線リソースが不十分である場合、無線チャネルが不安定である場合、極端な天候がある場合など、ユーザ機器１２０が常にチャネル予測を行える状態にあるようにしてもよい。
【0091】
Ｓ８２０では、ユーザ機器は、予測された情報を基地局に通知する。
【0092】
ユーザ機器１２０が予測モデルを使用して予測結果を得た後、ユーザ機器１２０は、直ちに予測結果を基地局１１０にフィードバックしてもよく、例えば、モデルの出力結果ｙ［ｔ］を基地局１１０に送信してもよい。具体的には、ユーザ機器１２０が第１の予測モードを使用して予測を行う場合、ユーザ機器１２０は、複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを基地局に通知する。ユーザ機器１２０が第２の予測モードを使用して予測を行う場合、ユーザ機器１２０は、複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットを基地局に通知する。ユーザ機器１２０が第３の予測モードを使用して予測を行う場合、ユーザ機器１２０は、複数の将来のタイムスロットのうちの各々の相対的なチャネルゲインを基地局に通知する。ユーザ機器１２０が第４の予測モードを使用して予測を行う場合、ユーザ機器１２０は、複数の将来のタイムスロットのうちの各々のチャネルゲインを基地局に通知する。予測結果を、上述したトリガコマンドに応答したメッセージ（例えば、フィードバックシグナリング）に載せて送信してもよい。
【0093】
一般的には、予測の度に、上記の４つの予測モードのうち、１つのモードのみが使用されるので、ユーザ機器１２０は、基地局１１０に１種類の予測結果のみをフィードバックしてもよい。複数の予測モードが同時に使用される場合、これら複数の予測モードの予測結果を全て基地局にフィードバックしてもよい。例えば、計算の複雑さの観点から、第１の予測モードを使用することが好ましい。基地局により多くのチャネル状態情報を提供して基地局が各タイムスロットのチャネル状況をより良く了解するという観点から、第４の予測モードを使用することが好ましい。
【0094】
ユーザ機器１２０が第４の予測モードに基づく各将来のタイムスロットのチャネルゲインを基地局１１０にフィードバックする必要があるとき、ユーザ機器１２０は、予測された各将来のタイムスロットのチャネルゲインをディープニューラルネットワークによって構築された圧縮モデルを介して基地局１１０に送信してもよい。
【0095】
図１１Ａには、予測モデルが予測するのは複数の将来のタイムスロットの各々のチャネルゲインである場合、予測されたチャネルゲインを基地局に伝送するアーキテクチャの概略図が示される。図１１Ｂは、図１１Ａに対応するシーケンス図である。
【0096】
予測ＤＮＮ１１１０及び圧縮ＤＮＮ１１２０は、ユーザ機器１２０内に位置してもよく、伸張ＤＮＮ１１３０は、基地局１１０内に位置してもよい。予測ＤＮＮ１１１０は、現在の時刻より前の若干の過去のタイムスロットのチャネルゲインから、現在の時刻より後の若干の将来のタイムスロットのチャネルゲインを予測するために用いられる。予測されたチャネルゲインは、圧縮ＤＮＮ１１２０の処理により中間データを得る。中間データは、無線チャネルを介して伸張ＤＮＮ１１３０に送信される。伸張ＤＮＮ１１３０は、受信した中間データを処理することによって、伸張データを得る。これらの伸張データは、復元された予測チャネルゲインであり、予測ＤＮＮ１１１０が得たチャネルゲインと同じである。圧縮ＤＮＮ１１２０及び伸張ＤＮＮ１１３０は、共同で、予測されたチャネルゲインの圧縮・伸張処理を実現し、それによって、無線チャネルを介して伝送されるデータ量を、予測されたチャネルゲインのデータ量と比較して大幅に減少させ、予測結果を伝送するリソース消費を低減し、システム効率を向上させる。
【0097】
圧縮ＤＮＮ１１２０及び伸張ＤＮＮ１１３０は、共同で１つの機械学習モデルとしてトレーニングされてもよい。当該モデルのために、１つの入力層、所定数の隠れ層、及び１つの出力層を構築し、各隠れ層におけるノード数は、入力層のノード数及び出力層のノード数よりも明らかに小さい。また、当該モデルのために、同じ入力データと出力データが設定されている。機械学習開発プラットフォーム（例えば、Ｐｙｃｈａｒｍ）がこのように設定された入力、出力データを使用して、構築されたモデルを収束させる場合、隠れ層におけるいずれか一つの層（以下、当該層を中間層と呼ぶ）から当該モデルを２つの部分に分割し、一方が圧縮ＤＮＮ１１２０を構成して、ユーザ機器に配置され、他方が伸張ＤＮＮ１１３０を構成して基地局に配置される。このように、機械学習モデルを構築することにより圧縮・伸張処理を実現できるため、全く新しい圧縮方式でチャネルゲインの圧縮伝送を実現し、圧縮効率を向上させ、無線リソース消費を低減することができる。
【0098】
図１１Ａでは、ＤＮＮを例にしてユーザ機器における圧縮モジュール及び基地局における伸張モジュールが説明されたが、当業者が理解できるように、他の機械学習モジュールを使用して圧縮モジュール及び伸張モジュールを構築してもよく、無線チャネルで伝送されるデータ量が、予測されたチャネルゲインのデータ量よりも明らかに少なければよい。
【0099】
【0100】
Ｓ１１１０では、基地局は、ユーザ機器にＣＳＩ－ＲＳ（チャネル状態情報参照信号）シグナリングを送信して、ユーザ機器がチャネル品質を測定してフィードバックするように指示する。
【0101】
Ｓ１１２０では、ユーザ機器は、複数の履歴タイムスロットのチャネルゲインに基づいて、第４の予測モードによって、複数の将来のタイムスロットのチャネルゲインを予測して、複数の将来のタイムスロットのうちの各々のチャネルゲインを得る。
【0102】
Ｓ１１３０では、ユーザ機器における圧縮ＤＮＮは、予測された複数のチャネルゲインを処理し、中間層の中間ノードから出力された、圧縮ＤＮＮに入力された複数のチャネルゲインよりも少ないデータ量の中間データを得る。
【0103】
Ｓ１１４０では、中間ノードが出力する中間データを量子化し、フィードバックする。
【0104】
Ｓ１１５０では、基地局における伸張ＤＮＮは、受信した中間データを処理して、ユーザ機器によって予測された複数の将来のタイムスロットのチャネルゲインを回復する。これらのチャネルゲインに基づいて、基地局は、将来の最適な送信タイムスロットを決定することができる。
【0105】
Ｓ１１６０では、基地局は、将来の最適な送信タイムスロットにおいて、下りリンクデータをユーザ機器に送信するように選択する。
【0106】
図８に戻ると、Ｓ８３０では、ユーザ機器は、予測された情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知し、基地局に、そのタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させる。
【0107】
基地局１１０は、一般的には、チャネル品質測定を行うためのシグナリングをユーザ機器１２０に周期的に送信する。例えば、基地局１１０は、各タイムスロットにおいてユーザ機器１２０にＣＳＩ－ＲＳシグナリングを送信してもよい。ＣＳＩ－ＲＳシグナリングを受信したことに応答して、ユーザ機器１２０は、基地局１１０に現在のＣＱＩをフィードバックしてもよい。
【0108】
しかしながら、ユーザ機器１２０が利用可能な上りリンクリソースが第２の閾値を下回る（当該閾値は、上りリンクリソースが不足していることを示す）と決定した場合、限られた上りリンクリソースをより合理的に使用するために、ユーザ機器１２０は、ＣＳＩ－ＲＳシグナリングを受信する度にＣＱＩをフィードバックせず、予測情報によって示される最適なタイムスロットを待ち、そのタイムスロットにおいてのみチャネルを測定し、その最適なタイムスロットの実ＣＱＩを基地局１１０にフィードバックしてもよい。当業者が理解できるように、基地局が、例えば、記録されたリソース使用状況、ユーザ機器が報告した情報などから、利用可能な上りリンクリソースがある閾値を下回ると決定すると、ユーザ機器にメッセージを送信して、ユーザ機器が最適なタイムスロットにおいてのみＣＱＩをフィードバックするようにしてもよい。
【0109】
さらに、ユーザ機器１２０が、上りリンクフィードバックチャネル品質が第３の閾値を下回る（当該閾値は、上りリンクフィードバックチャネル品質が悪いことを示す）と決定した場合、品質の悪い上りリンクフィードバックチャネルによりＣＱＩをフィードバックすることが失敗して、送信電力とリソースを浪費するという問題を回避するために、ユーザ機器１２０は、全てのＣＳＩ－ＲＳシグナリングに応答するのではなく、予測情報によって示される最適なタイムスロットを待ち、そのタイムスロットにおいてのみ、基地局１１０にその最適なタイムスロットの実ＣＱＩをフィードバックしてもよい。当業者が理解できるように、基地局が、例えば、以前のデータ復号動作などから、上りリンクフィードバックチャネル品質がある閾値を下回ると決定すると、ユーザ機器にメッセージを送信して、ユーザ機器が最適なタイムスロットにおいてのみＣＱＩをフィードバックするようにしてもよい。
【0110】
上記２つの状況は、１つの実施例に同時に存在してもよいし、異なる実施例に別々に存在してもよい。上記閾値は、実際の必要に応じて適宜設定してもよく、リソースを合理的に利用し、且つ／又はリソースを節約する目的を達成できればよい。
【0111】
さらに、基地局がより適切な電力で最適なタイムスロットにおいて下りリンクデータを送信することを可能にするために、ユーザ機器は、基地局がＣＳＩ－ＲＳシグナリングを送信するか否かにかかわらず、最適なタイムスロットでそのタイムスロットの実ＣＱＩを能動的にフィードバックしてもよい。最適なタイムスロットの実ＣＱＩを受信した基地局は、関連技術のように、ＣＱＩに基づいて、適切な電力割り当てを行い、適切な電力で最適なタイムスロットにおいて下りリンクデータを送信してもよい。
【0112】
ユーザ機器は、以下の２つの方式を採用して基地局にＣＱＩをフィードバックしてもよい。第１の方式は、図１２Ａ、１２Ｂ、及び１３に示され、このような方式では、ユーザ機器は、最適なタイムスロットのＣＳＩ－ＲＳシグナリングのみに応答して、最適なタイムスロットにおいて基地局に当該最適なタイムスロットのＣＱＩをフィードバックする。第２の方式は、図１４Ａ、１４Ｂ、及び１５に示され、このような方式では、ユーザ機器は、あるタイムスロットにおいてＣＳＩ－ＲＳシグナリングを受信すると、そのタイムスロットにおいて基地局にそのタイムスロットのＣＱＩをフィードバックする。次に、図１２～図１５について説明する。
【0113】
【0114】
図１２Ａに示すように、方法１２００－Ｔが開始する。Ｓ１２１０－Ｔでは、ユーザ機器に送信すべきデータパケットが到達し、基地局は、ユーザ機器にトリガコマンドを送信して、ユーザ機器に予測を開始させる。Ｓ１２２０－Ｔでは、基地局は、ユーザ機器から予測情報を含むフィードバックを受信する。前記フィードバックは、複数の将来のタイムスロットのうち、最も高いチャネルゲインを有する最適なタイムスロットを示す。Ｓ１２３０－Ｔでは、基地局は、最も高いチャネルゲインを有する最適なタイムスロットを待つ。Ｓ１２４０－Ｔでは、基地局は、最適なタイムスロットのＣＱＩに基づいて、ユーザ機器にデータパケットを送信する。次いで、方法１２００－Ｔは終了する。
【0115】
図１２Ｂに示すように、方法１２００－Ｒが開始する。Ｓ１２０５－Ｒでは、ユーザ機器は、基地局から送信されたＣＳＩ－ＲＳを受信し続け、各タイムスロットのチャネルゲインを得る。このステップは、他のステップと特定のシーケンス関係を有さず、常に実行されている。Ｓ１２１０－Ｒでは、ユーザ機器は、基地局から予測を開始するためのトリガコマンドを受信する。Ｓ１２２０－Ｒでは、ユーザ機器は、現在の時刻より前の複数の過去のタイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測する。当該情報は、最も高いチャネルゲインを有するタイムスロットを示す。この例では、第１の予測モードが採用され、予測結果は、最も高いチャネルゲインを有する最適なタイムスロットである。Ｓ１２３０－Ｒでは、ユーザ機器は、予測された最適なタイムスロットを基地局にフィードバックする。Ｓ１２４０－Ｒでは、ユーザ機器は、予測された最適なタイムスロットを待ち、そのタイムスロットのＣＱＩを基地局にフィードバックする。Ｓ１２５０－Ｒでは、ユーザ機器は、基地局が最適なタイムスロットで送信したデータパケットを受信する。次いで、方法１２００－Ｒは終了する。
【0116】
【0117】
Ｓ１３１０では、基地局は、各タイムスロットにおいてユーザ機器にＣＳＩ－ＲＳシグナリングを送信する。このステップはＳ１３１０でのみ説明されたが、このステップは、他のステップの実行順序とは特に関係無く、常に周期的に実行される。
【0118】
Ｓ１３２０では、ユーザ機器は、受信したデータに基づいてチャネル推定を行い、チャネル状態情報、例えば、各タイムスロットのチャネルゲインを得る。このステップはＳ１３２０でのみ説明されたが、このステップも、他のステップの実行順序とは特に関係無く、常に実行される。
【0119】
Ｓ１３３０では、ユーザ機器に送信される新たなデータパケットが基地局に到達する。
【0120】
Ｓ１３４０では、基地局は、予測を開始するためのトリガコマンドをユーザ機器に送信する。
【0121】
Ｓ１３５０では、ユーザ機器は、予測された最適なタイムスロットを基地局にフィードバックする。
【0122】
Ｓ１３６０では、ユーザ機器は、当該最適なタイムスロットの到来を待つ。
【0123】
Ｓ１３７０では、ユーザ機器は、当該最適なタイムスロットのＣＱＩを測定し、当該ＣＱＩを基地局にフィードバックする。
【0124】
Ｓ１３８０では、基地局は、フィードバックされたＣＱＩに基づいて、当該最適なタイムスロットでユーザ機器にデータパケットを送信する。
【0125】
【0126】
データ伝送方法１４００－Ｔは、上記データ伝送方法１２００－Ｔとほぼ同じであり、ステップＳ１４１０－Ｔ～Ｓ１４４０－Ｔは、ステップＳ１２１０－Ｔ～Ｓ１２４０－Ｔとほぼ一致するため、ここではこれ以上説明しない。
【0127】
図１４Ｂに示すように、方法１４００－Ｒが開始する。Ｓ１４０５－Ｒでは、ユーザ機器は、基地局から送信されたＣＳＩ－ＲＳを受信し続け、各タイムスロットのチャネルゲインを得る。Ｓ１４０９－Ｒでは、ユーザ機器は、ＣＳＩ－ＲＳに応答して測定した各タイムスロットのＣＱＩを基地局にフィードバックし続ける。ステップＳ１４０５－ＲとＳ１４０９－Ｒは、他のステップと特定のシーケンス関係を有さず、常に実行されている。ステップＳ１４１０－ＲからＳ１４３０－Ｒは、ステップＳ１２１０－ＲからＳ１２３０－Ｒとほぼ同じである。Ｓ１４４０－Ｒでは、ユーザ機器は、基地局が最適なタイムスロットで送信したデータパケットを受信する。次いで、方法１４００－Ｒは終了する。
【0128】
【0129】
Ｓ１５１０は、Ｓ１３１０とほぼ同じである。Ｓ１５１５では、ユーザ機器は、各タイムスロットで基地局にＣＱＩをフィードバックする。Ｓ１５１０、Ｓ１５１５の動作は、１回だけ実行され、図１５の先頭から実行されるように示されているが、Ｓ１５１０、Ｓ１５１５は、各タイムスロットにおいて常に実行され、他のステップの実行順序とは特に関係ない。Ｓ１５２０からＳ１５６０は、Ｓ１３２０からＳ１３６０とほぼ同じである。ユーザ機器が最適なタイムスロットが到来するのを待っている間、基地局も最適なタイムスロットが到来するのを待ってそれにおいてデータパケットを送信する。Ｓ１５７０では、基地局は、最適なタイムスロットのＣＱＩに基づいて、最適なタイムスロットでユーザ機器にデータパケットを送信する。
【0130】
図８に示す上記技術案によれば、履歴タイムスロットのチャネルゲインに基づいて将来のタイムスロットのチャネルゲインを予測することにより、基地局は、チャネルゲインが最も高い将来のタイムスロットを決定することができる。これにより、チャネル品質が相対的に良いタイムスロットにおいて、当該タイムスロットのチャネル品質指示にマッチングする電力で下りリンクデータを送信することができる。これにより、現在のチャネル状態に応じて、より適切な伝送リソースを柔軟に決定し、チャネル品質が悪いタイムスロットにおいてデータを伝送して電力とリソースを浪費する問題を緩和し、下りリンクデータの伝送性能を向上させることができる。
【0131】
上記方法は、基地局が下りリンクデータを送信するタイムスロットを予測することができる。他のシナリオでは、過去のデータパケットの到着遅延、データパケットのサイズを利用して、これから到着するデータ流量を予測してみてもよい。
【0132】
図１６には、本開示の実施例によるデータ伝送に用いられる方法を使用して得られたシミュレーション結果が示される。シミュレーション過程では、チャネルがレイリーフェージングチャネルであり、チャネルゲインが指数分布
に従い、指数分布の平均値が
であると仮定する。シャノンの公式に従って電力
を求める。各データパケットの長さはｌ＝４ビットである。基地局は、ユーザ機器が予測した将来のＴａタイムスロットにおける最も良いチャネルを選択してデータパケットを送信する。ここで、ＴａはＭとＴｈの積より大きく、Ｍは予測した将来のタイムスロットの数であり、Ｔｈはチャネルサンプリング周期であり、ユーザ機器が予測したチャネルの将来の時間の範囲、及び基地局が選択したデータを送信するタイムスロットは、何れもデータパケットが許容できる遅延範囲内にある。
【数29】
【数30】
【数31】
【0133】
シミュレーション図において、Ｔａ＝１は、何ら予測もせず、データパケットが到達した後、直ちに基地局によって次のタイムスロットで送信されることを示す。Ｔａ＝２は、将来の２つのタイムスロットにおいて最適なタイムスロットを予測することを表し、Ｔａ＝３は、将来の３つのタイムスロットにおいて最適なタイムスロットを予測することを表し、これによって類推すればよろしい。シミュレーション結果から、何ら予測もせずデータパケットを直ちに送信すると、基地局の平均消費電力は最大となり、予測を採用すると、基地局の平均消費電力は急激に低下することが分かる。予測可能なタイムスロット数が多くなるにつれて（予測可能なタイムスロット数が、データパケットが許容できる最大遅延を超えてはならない）、基地局の平均消費電力は徐々に小さくなる。このシミュレーション結果は、基地局がユーザ機器の予測結果に基づいてスケジューリング及び電力割り当てを行う場合、消費電力を大幅に低減できることを示す。
【0134】
以上、本開示の実施例による各例示的な電子機器及び方法についてそれぞれ説明した。理解すべきことは、これら電子機器の動作又は機能は、説明されたものよりも多い又は少ない動作又は機能を実現するために、互いに組み合わされてもよい。各方法の動作ステップは、説明されるよりも多くの又は少ない動作を同様に実現するために、任意の適切な順序で互いに組み合わされてもよい。
【0135】
理解すべきことは、本開示の実施例による機器可読な記憶媒体又はプログラム製品における機器が実行可能な指令は、上記機器及び方法の実施例に対応する動作を実行するように構成されてもよい。上記機器及び方法の実施例を参考する際、機器可読な記憶媒体又はプログラム製品の実施例は、当業者にとって明らかであるので、これ以上説明しない。上記機器が実行可能な命令を載置又は含んでいる機器可読な記憶媒体又はプログラム製品も本開示の範囲に含まれる。このような記憶媒体は、フロッピィディスク、光ディスク、光磁気ディスク、メモリカード、メモリスティックなどを含むが、これらに限定されない。
【0136】
また、理解すべきことは、上記一連の処理と機器は、ソフトウェア及び／又はファームウェアによって実現されてもよい。ソフトウェア及び／又はファームウェアによって実現される場合に、記憶媒体又はネットワークから専用ハードウェア構成を有するコンピュータ、例えば図１７に示す通用パソコン１３００へ、このソフトウェアを構成するプログラムをインストールし、このコンピュータは、様々なプログラムがインストールされた時、様々な機能などを実行することができる。図１７は、本開示の実施例において採用可能な情報処理機器であるパソコンの例示的な構成を示すブロック図である。１つの例において、当該パソコンは、本開示による上記例示的な端末機器に対応することができる。
【0137】
図１７において、中央処理ユニット（ＣＰＵ）１３０１は、リードオンリーメモリ（ＲＯＭ）１３０２に記憶されたプログラム又はストレージ１３０８からランダムアクセスメモリ（ＲＡＭ）１３０３へロードしたプログラムに基づいて、様々な処理を実行する。ＲＡＭ１３０３においても、必要に応じて、ＣＰＵ１３０１が様々な処理などを実行する時に必要なデータを記憶する。
【0138】
ＣＰＵ１３０１、ＲＯＭ１３０２とＲＡＭ１３０３はバス１３０４を介して互いに接続される。入力／出力インターフェース１３０５もバス１３０４に接続される。
【0139】
キーボード、マウスなどを含む入力部１３０６と、ディスプレイ、例えば陰極管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）などと、スピーカなどとを含む出力部１３０７と、ハードディスクなどを含むストレージ１３０８と、ネットワークインターフェースカード、例えばＬＡＮカード、モデムなどを含む通信部１３０９とは、入力／出力インターフェース１３０５に接続される。通信部１３０９は、ネットワーク、例えばインターネットを介して通信処理を実行する。
【0140】
必要に応じて、ドライブ１３１０も入力／出力インターフェース１３０５に接続される。リムーバブルメディア１３１１、例えば磁気ディスク、光ディスク、光磁気ディスク、半導体メモリなどは、必要に応じてドライブ１３１０にインストールされ、それから読み出されたコンピュータプログラムが必要に応じてストレージ１３０８にインストールされる。
【0141】
ソフトウェアによって上記一連処理を実現する場合に、ネットワーク、例えばインターネット、又は、記憶媒体、例えばリムーバブルメディア１３１１から、ソフトウェアを構成するプログラムをインストールする。
【0142】
当業者が理解すべきことは、このような記憶媒体は、図１７に示すプログラムが記憶される、機器と分離され配布されてユーザへプログラムを提供するリムーバブルメディア１３１１に限定されない。リムーバブルメディア１３１１の例は、磁気ディスク（フロッピィディスク（登録商標）を含み）、光ディスク（光ディスクリードオンリーメモリ（ＣＤ‐ＲＯＭ）とデジタルバーサタイルディスク（ＤＶＤ）を含み）、光磁気ディスク（ミニディスク（ＭＤ）（登録商標）を含み）と半導体メモリを含む。又は、記憶媒体は、ＲＯＭ１３０２、ストレージ１３０８に含まれるハードディスクなどであってもよく、そのうちにプログラムが記憶されており、且つそれらを含む機器と共にユーザに配布される。
【0143】
本開示の技術は、様々な製品に応用されることができる。例えば、本開示に言及した基地局は、任意のタイプの、例えばマクロｇＮＢとスモールｇＮＢのような進化型ノードＢ（ｇＮＢ）として実現されてもよい。スモールｇＮＢは、マクロセルより小さいセルをカバーするｇＮＢ、例えば、ピコｇＮＢ、マイクロｇＮＢや家庭（フェムト）ｇＮＢであってもよい。代わりに、基地局は、他の任意のタイプの基地局、例えばＮｏｄｅＢと基地局発受信台（Ｂａｓｅ Ｔｒａｎｓｃｅｉｖｅｒ Ｓｔａｔｉｏｎ、ＢＴＳ）として実現されてもよい。基地局は、無線通信を制御するように構成される主体（基地局機器とも呼ばれる）及び主体と異なる位置に設けられる１つ又は複数の遠隔無線ヘッド（Ｒｅｍｏｔｅ Ｒａｄｉｏ Ｈｅａｄ、ＲＲＨ）を含んでもよい。また、後述する様々なタイプの端末は、基地局機能を一時的又は半永久的に実行することによって、基地局として動作できる。
【0144】
例えば、本開示に言及した端末機器は、幾つかの例において、ユーザ機器とも呼ばれ、携帯端末（例えば、スマートフォン、タブレットパーソナルコンピューター（ＰＣ）、ノートＰＣ、ポータブルゲーム端末、ポータブル／ドングルモバイルルーター、及びデジタル撮像装置）又は車載端末（例えば、カーナビゲーション装置）として実現されてもよい。ユーザ機器はマシンツーマシン（Ｍ２Ｍ）通信を実行する端末（マシンタイプ通信（ＭＴＣ）端末とも呼ばれる）として実現され得る。なお、ユーザ機器は、上記端末のそれぞれに搭載された無線通信モジュール（例えば単一チップを含む集積回路モジュール）であってもよい。
【0145】
【0146】
［基地局についての応用例］
理解すべきことは、本開示における基地局は、その通常の意味の全幅を持っており、且つ、通信を行うように、少なくとも無線通信システム又はラジオシステムの一部である無線通信局を含む。基地局の例として、例えば、基地局はＧＳＭ（登録商標）システムにおける基地局送受信機（ＢＴＳ）と基地局コントローラ（ＢＳＣ）のうちの一方又は両方であってもよく、ＷＣＤＭＡ（登録商標）システムにおけるラジオネットワークコントローラ（ＲＮＣ）とＮｏｄｅ Ｂのうちの一方又は両方であってもよく、ＬＴＥとＬＴＥ‐ＡｄｖａｎｃｅｄシステムにおけるｅＮＢであってもよく、又は未来通信システムにおける対応するネットワークノード（例えば５Ｇ通信システムにおいて現れる可能性があるｇＮＢ、ｅＬＴＥ ｅＮＢなど）であってもよいが、これらに限定されない。本開示の基地局中の一部の機能は、Ｄ２Ｄ、Ｍ２Ｍ及びＶ２Ｖ通信シナリオで通信に対して制御機能を有するエンティティとして実現されてもよく、又はコグニティブラジオ通信シナリオでスペクトル調整の機能としてのエンティティとして実現されてもよい。
理解すべきことは、本開示における基地局は、その通常の意味の全幅を持っており、且つ、通信を行うように、少なくとも無線通信システム又はラジオシステムの一部である無線通信局を含む。基地局の例として、例えば、基地局はＧＳＭ（登録商標）システムにおける基地局送受信機（ＢＴＳ）と基地局コントローラ（ＢＳＣ）のうちの一方又は両方であってもよく、ＷＣＤＭＡ（登録商標）システムにおけるラジオネットワークコントローラ（ＲＮＣ）とＮｏｄｅ Ｂのうちの一方又は両方であってもよく、ＬＴＥとＬＴＥ‐ＡｄｖａｎｃｅｄシステムにおけるｅＮＢであってもよく、又は未来通信システムにおける対応するネットワークノード（例えば５Ｇ通信システムにおいて現れる可能性があるｇＮＢ、ｅＬＴＥ ｅＮＢなど）であってもよいが、これらに限定されない。本開示の基地局中の一部の機能は、Ｄ２Ｄ、Ｍ２Ｍ及びＶ２Ｖ通信シナリオで通信に対して制御機能を有するエンティティとして実現されてもよく、又はコグニティブラジオ通信シナリオでスペクトル調整の機能としてのエンティティとして実現されてもよい。
【0147】
（第１の応用例）
図１８は、本開示内容の技術を応用可能なｇＮＢの例示的な配置の第１例を示すブロック図である。ｇＮＢ１４００は、複数のアンテナ１４１０及び基地局機器１４２０を含む。基地局機器１４２０と各アンテナ１４１０はＲＦケーブルを介して互いに接続することができる。１つの実現形態において、ここでのｇＮＢ１４００（又は基地局機器１４２０）は、上記電子機器３００Ａ、１３００Ａ及び／又は１５００Ｂに対応することができる。
図１８は、本開示内容の技術を応用可能なｇＮＢの例示的な配置の第１例を示すブロック図である。ｇＮＢ１４００は、複数のアンテナ１４１０及び基地局機器１４２０を含む。基地局機器１４２０と各アンテナ１４１０はＲＦケーブルを介して互いに接続することができる。１つの実現形態において、ここでのｇＮＢ１４００（又は基地局機器１４２０）は、上記電子機器３００Ａ、１３００Ａ及び／又は１５００Ｂに対応することができる。
【0148】
アンテナ１４１０のそれぞれは、１つ又は複数のアンテナ素子（例えば多入力多出力（ＭＩＭＯ）アンテナに含まれる複数のアンテナ素子）を含み、且つ基地局機器１４２０が無線信号を送信、受信するために用いられる。図１８に示すように、ｇＮＢ１４００は、複数のアンテナ１４１０を含んでもよい。例えば、複数のアンテナ１４１０は、ｇＮＢ１４００が使用する複数の周波数帯域と互換性があることができる。
【0149】
基地局機器１４２０は、コントローラ１４２１、メモリ１４２２、ネットワークインターフェース１４２３及び無線通信インターフェース１４２５を含む。
【0150】
コントローラ１４２１は、例えばＣＰＵ又はＤＳＰであって、且つ、基地局機器１４２０の上位層の様々な機能を動作させることができる。例えば、コントローラ１４２１は、無線通信インターフェース１４２５で処理された信号におけるデータに基づいてデータパケットを生成し、ネットワークインターフェース１４２３を介して、生成したパケットを伝送する。コントローラ１４２１は、複数のベースバンドプロセッサからのデータをバンドルして、バンドルパケットを生成し、生成されたバンドルパケットを伝送することができる。コントローラ１４２１は以下のような制御を実行する論理機能を有してもよく、当該制御は例えば、無線リソース制御、無線ベアラ制御、モビリティ管理、受入制御、スケジューリングなどである。この制御は、付近のｇＮＢ又はコアネットワークノードを結んで実行されることができる。メモリ１４２２は、ＲＡＭとＲＯＭを含み、且つコントローラ１４２１によって実行されるプログラムと様々なタイプの制御データ（例えば端末リスト、伝送パワーデータ及びスケジューリングデータ）を記憶する。
【0151】
ネットワークインターフェース１４２３は、基地局機器１４２０をコアネットワーク１４２４に接続するための通信インターフェースである。コントローラ１４２１は、ネットワークインターフェース１４２３を介してコアネットワークノード又は他のｇＮＢと通信を行うことができる。この場合に、ｇＮＢ１４００とコアネットワークノード又は他のｇＮＢとは、ロジックインターフェース（例えばＳ１インターフェースとＸ２インターフェース）によって相互に接続されることができる。ネットワークインターフェース１４２３は、有線通信インターフェース又は無線バックホール回線に用いられる無線通信インターフェースであることもできる。ネットワークインターフェース１４２３が無線通信インターフェースであれば、無線通信インターフェース１４２５によって使用される周波数帯域と比べて、ネットワークインターフェース１４２３は、より高い周波数帯域を使用して無線通信に用いることができる。
【0152】
無線通信インターフェース１４２５は、任意のセルラー通信方式（例えば、Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ（ＬＴＥ）とＬＴＥ‐Ａｄｖａｎｃｅｄ）をサポートし、アンテナ１４１０を介してｇＮＢ１４００に位置するセルにおける端末への無線接続を提供する。無線通信インターフェース１４２５は通常、例えばベースバンド（ＢＢ）プロセッサ１４２６とＲＦ回路１４２７を含むことができる。ＢＢプロセッサ１４２６は、例えば、符号化／復号化、変調／復調、多重化／多重化解除を実行するとともに、レイヤー（例えばＬ１、メディアアクセス制御（ＭＡＣ）、無線リンク制御（ＲＬＣ）、パケットデータアグリゲーションプロトコル（ＰＤＣＰ））の様々なタイプの信号処理を実行することができる。コントローラ１４２１の代わりに、ＢＢプロセッサ１４２６は、上記した論理機能の一部又は全部を有してもよい。ＢＢプロセッサ１４２６は、通信制御プログラムが記憶されるメモリであってもよく、或いは、プログラムを実行するように構成されるプロセッサと関連回路を含むモジュールであってもよい。プログラムの更新は、ＢＢプロセッサ１４２６の機能を変更させることができる。このモジュールは、基地局機器１４２０のスロットに挿入されるカードやブレッドであってもよい。その代わりに、このモジュールは、カードやブレッドに搭載されるチップであってもよい。同時に、ＲＦ回路１４２７は、例えばミキサ、フィルタ、アンプを含んで、アンテナ１４１０を介して無線信号を送受信することができる。図１８には１つのＲＦ回路１４２７と一本のアンテナ１４１０とが接続されている例が示されているが、本開示はこの図示に限定されておらず、１つのＲＦ回路１４２７が同時に複数本のアンテナ１４１０に接続されてもよい。
【0153】
図１８に示すように、無線通信インターフェース１４２５は、複数のＢＢプロセッサ１４２６を含んでもよい。例えば、複数のＢＢプロセッサ１４２６は、ｇＮＢ１４００が使用する複数の周波数帯域と互換性があることができる。図１８に示すように、無線通信インターフェース１４２５は、複数のＲＦ回路１４２７を含んでもよい。例えば、複数のＲＦ回路１４２７は複数のアンテナ素子と互換性があることができる。図１８には、無線通信インターフェース１４２５に複数のＢＢプロセッサ１４２６と複数のＲＦ回路１４２７が含まれる例が示されているが、無線通信インターフェース１４２５は、単一のＢＢプロセッサ１４２６又は単一のＲＦ回路１４２７を含んでもよい。
【0154】
（第２の応用例）
図１９は、本開示内容の技術を応用可能なｇＮＢの例示的な配置の第２例を示すブロック図である。ｇＮＢ１５３０は複数のアンテナ１５４０と、基地局機器１５５０と、ＲＲＨ１５６０とを含む。ＲＲＨ１５６０と各アンテナ１５４０は、ＲＦケーブルを介して相互に接続されることができる。基地局機器１５５０とＲＲＨ１５６０は光ファイバケーブルのような高速回線を介して互いに接続することができる。１つの実現形態において、ここでのｇＮＢ１５３０（又は基地局機器１５５０）は、上記電子機器３００Ａ、１３００Ａ及び／又は１５００Ｂに対応することができる。
図１９は、本開示内容の技術を応用可能なｇＮＢの例示的な配置の第２例を示すブロック図である。ｇＮＢ１５３０は複数のアンテナ１５４０と、基地局機器１５５０と、ＲＲＨ１５６０とを含む。ＲＲＨ１５６０と各アンテナ１５４０は、ＲＦケーブルを介して相互に接続されることができる。基地局機器１５５０とＲＲＨ１５６０は光ファイバケーブルのような高速回線を介して互いに接続することができる。１つの実現形態において、ここでのｇＮＢ１５３０（又は基地局機器１５５０）は、上記電子機器３００Ａ、１３００Ａ及び／又は１５００Ｂに対応することができる。
【0155】
アンテナ１５４０のそれぞれは単一又は複数のアンテナ素子（例えば、ＭＩＭＯアンテナに含まれた複数のアンテナ素子）を含んで、ＲＲＨ１５６０の無線信号の送受信に使用される。図１９に示すように、ｇＮＢ１５３０は、複数のアンテナ１５４０を含んでもよい。例えば、複数のアンテナ１５４０は、ｇＮＢ１５３０が使用する複数の周波数帯域と互換性があることができる。
【0156】
基地局機器１５５０は、コントローラ１５５１と、メモリ１５５２と、ネットワークインターフェース１５５３と、無線通信インターフェース１５５５と、接続インターフェース１５５７とを含む。コントローラ１５５１、メモリ１５５２、ネットワークインターフェース１５５３は、図１８を参照して説明したコントローラ１４２１、メモリ１４２２、ネットワークインターフェース１４２３と同様である。
【0157】
無線通信インターフェース１５５５は、任意のセルラー通信方式（例えばＬＴＥとＬＴＥ‐Ａｄｖａｎｃｅｄ）をサポートし、且つＲＲＨ１５６０とアンテナ１５４０を介してＲＲＨ１５６０に対応するセクタに位置する端末への無線通信を提供する。無線通信インターフェース１５５５は、通常に、例えばＢＢプロセッサ１５５６を含んでもよい。ＢＢプロセッサ１５５６が接続インターフェース１５５７を介してＲＲＨ１５６０のＲＦ回路１５６４に接続されることを除いて、ＢＢプロセッサ１５５６は、図１８を参照して説明したＢＢプロセッサ１４２６と同じである。図１９に示すように、無線通信インターフェース１５５５は、複数のＢＢプロセッサ１５５６を含んでもよい。例えば、複数のＢＢプロセッサ１５５６は、ｇＮＢ１５３０が使用する複数の周波数帯域と互換性があることができる。図１９に、無線通信インターフェース１５５５に複数のＢＢプロセッサ１５５６が含まれる例を示したが、無線通信インターフェース１５５５は単一のＢＢプロセッサ１５５６を含んでもよい。
【0158】
接続インターフェース１５５７は、基地局機器１５５０（無線通信インターフェース１５５５）をＲＲＨ１５６０に接続するためのインターフェースである。接続インターフェース１５５７は基地局機器１５５０（無線通信インターフェース１５５５）をＲＲＨ１５６０に接続する上述した高速回線における通信用の通信モジュールであってもよい。
【0159】
ＲＲＨ１５６０は、接続インターフェース１５６１と無線通信インターフェース１５６３を含む。
【0160】
接続インターフェース１５６１は、ＲＲＨ１５６０（無線通信インターフェース１５６３）を基地局機器１５５０に接続するためのインターフェースである。接続インターフェース１５６１は上述した高速回線における通信用の通信モジュールであってもよい。
【0161】
無線通信インターフェース１５６３は、アンテナ１５４０を介して無線信号を送受信する。無線通信インターフェース１５６３は、通常、例えばＲＦ回路１５６４を含んでもよい。ＲＦ回路１５６４は、例えばミキサ、フィルタ、アンプを含んで、アンテナ１５４０を介して無線信号を送受信してもよい。図１９には１つのＲＦ回路１５６４と一本のアンテナ１５４０とが接続されている例が示されているが、本開示はこの図示に限定されておらず、１つのＲＦ回路１５６４が同時に複数本のアンテナ１５４０に接続されてもよい。
【0162】
図１９に示すように、無線通信インターフェース１５６３は、複数のＲＦ回路１５６４を含んでもよい。例えば、複数のＲＦ回路１５６４は複数のアンテナ素子をサポートすることができる。図１９には無線通信インターフェース１５６３に複数のＲＦ回路１５６４が含まれる例が示されているが、無線通信インターフェース１５６３は、単一のＲＦ回路１５６４を含んでもよい。
【0163】
［ユーザ機器に関する応用の例］
（第１の応用例）
図２０は、本開示内容の技術を応用可能なスマートフォン１６００の例示的な配置の例を示すブロック図である。スマートフォン１６００はプロセッサ１６０１、メモリ１６０２、記憶装置１６０３、外部接続インターフェース１６０４、撮像装置１６０６、センサ１６０７、マイク１６０８、入力装置１６０９、表示装置１６１０、スピーカ１６１１、無線通信インターフェース１６１２、１つ又は複数のアンテナスイッチ１６１５、１つ又は複数のアンテナ１６１６、バス１６１７、電池１６１８及び補助コントローラ１６１９を含む。１つの実現形態において、ここでのスマートフォン１６００（又はプロセッサ１６０１）は、上記端末機器３００Ｂ及び／又は１５００Ａに対応することができる。
（第１の応用例）
図２０は、本開示内容の技術を応用可能なスマートフォン１６００の例示的な配置の例を示すブロック図である。スマートフォン１６００はプロセッサ１６０１、メモリ１６０２、記憶装置１６０３、外部接続インターフェース１６０４、撮像装置１６０６、センサ１６０７、マイク１６０８、入力装置１６０９、表示装置１６１０、スピーカ１６１１、無線通信インターフェース１６１２、１つ又は複数のアンテナスイッチ１６１５、１つ又は複数のアンテナ１６１６、バス１６１７、電池１６１８及び補助コントローラ１６１９を含む。１つの実現形態において、ここでのスマートフォン１６００（又はプロセッサ１６０１）は、上記端末機器３００Ｂ及び／又は１５００Ａに対応することができる。
【0164】
プロセッサ１６０１は、例えばＣＰＵ又はシステムオンチップ（ＳｏＣ）であり、スマートフォン１６００のアプリケーション層と他の層の機能を制御することができる。メモリ１６０２は、ＲＡＭとＲＯＭを含み、データとプロセッサ１６０１によって実行されるプログラムを記憶する。記憶装置１６０３は、例えば半導体メモリとハードディスクのような記憶媒体を含んでもよい。外部接続インターフェース１６０４は外部装置（例えばメモリカードとユニバーサルシリアルバス（ＵＳＢ）装置）をスマートフォン１６００に接続するためのインターフェースである。
【0165】
撮像装置１６０６はイメージセンサ（例えば電荷結合デバイス（ＣＣＤ）と相補型金属酸化物半導体（ＣＭＯＳ））を含み、キャプチャ画像を生成する。センサ１６０７は、例えば測定センサ、ジャイロセンサ、地磁気センサ及び加速度センサのような１組のセンサを含んでもよい。マイク１６０８はスマートフォン１６００に入力された音をオーディオ信号に変換する。入力装置１６０９は例えば表示装置１６１０のスクリーン上のタッチを検出するように配置されるタッチセンサ、キーパッド、キーボード、ボタン又はスイッチを含み、ユーザから入力された操作又は情報を受信する。表示装置１６１０はスクリーン（例えば液晶ディスプレイ（ＬＣＤ）と有機発光ダイオード（ＯＬＥＤ）ディスプレイ）を含み、スマートフォン１６００の出力画像を表示する。スピーカ１６１１はスマートフォン１６００から出力したオーディオ信号を音に変換する。
【0166】
無線通信インターフェース１６１２は、任意のセルラー通信方式（例えば、ＬＴＥとＬＴＥ－Ａｄｖａｎｃｅｄ）をサポートし、無線通信を実行する。無線通信インターフェース１６１２は、通常、例えばＢＢプロセッサ１６１３とＲＦ回路１６１４を含んでもよい。ＢＢプロセッサ１６１３は、例えば、符号化／復号化、変調／復調、多重化／多重化解除を実行するとともに、無線通信のための様々なタイプの信号処理を実行することができる。同時に、ＲＦ回路１６１４は例えばミキサ、フィルタ、アンプを含んで、アンテナ１６１６を介して無線信号を送受信することができる。無線通信インターフェース１６１２は、その上にＢＢプロセッサ１６１３とＲＦ回路１６１４が集積化される１つのチップモジュールであってもよい。図２０に示すように、無線通信インターフェース１６１２は、複数のＢＢプロセッサ１６１３と複数のＲＦ回路１６１４を含んでもよい。図２０には、無線通信インターフェース１６１２に複数のＢＢプロセッサ１６１３と複数のＲＦ回路１６１４が含まれる例が示されているが、無線通信インターフェース１６１２は、単一のＢＢプロセッサ１６１３又は単一のＲＦ回路１６１４を含んでもよい。
【0167】
なお、セルラー通信方式に加え、無線通信インターフェース１６１２は、例えば短距離無線通信方式、近接通信方式や無線ローカルネットワーク（ＬＡＮ）方式などの別タイプの無線通信方式をサポートすることができる。この場合、無線通信インターフェース１６１２は、各無線通信方式に対するＢＢプロセッサ１６１３とＲＦ回路１６１４を含んでもよい。
【0168】
アンテナスイッチ１６１５のそれぞれは、無線通信インターフェース１６１２に含まれる複数の回路（例えば異なる無線通信方式に使用される回路）間でアンテナ１６１６の接続先を切り替える。
【0169】
アンテナ１６１６のそれぞれは、単一又は複数のアンテナ素子（例えばＭＩＭＯアンテナに含まれた複数のアンテナ素子）を含んで、無線通信インターフェース１６１２の無線信号の送受信に使用される。図２０に示すように、スマートフォン１６００は複数のアンテナ１６１６を含んでもよい。図２０に、スマートフォン１６００に複数のアンテナ１６１６が含まれる例を示したが、スマートフォン１６００は単一のアンテナ１６１６を含んでもよい。
【0170】
なお、スマートフォン１６００は各無線通信方式に対するアンテナ１６１６を含んでもよい。この場合に、アンテナスイッチ１６１５はスマートフォン１６００の配置から省略されてもよい。
【0171】
バス１６１７は、プロセッサ１６０１、メモリ１６０２、記憶装置１６０３、外部接続インターフェース１６０４、撮像装置１６０６、センサ１６０７、マイク１６０８、入力装置１６０９、表示装置１６１０、スピーカ１６１１、無線通信インターフェース１６１２及び補助コントローラ１６１９を互いに接続する。電池１６１８は、給電線によって図２０に示すスマートフォン１６００の各ブロックに電力を提供する。給電線は図面において部分的に点線によって示される。補助コントローラ１６１９は例えば睡眠モードでスマートフォン１６００の最少の必要な機能を操作する。
【0172】
（第２の応用例）
図２１は、本開示内容の技術を応用可能なカーナビゲーション装置１７２０の例示的な配置の例を示すブロック図である。カーナビゲーション装置１７２０は、プロセッサ１７２１、メモリ１７２２、全球位置決めシステム（ＧＰＳ）モジュール１７２４、センサ１７２５、データインターフェース１７２６、コンテンツプレーヤー１７２７、記憶媒体インターフェース１７２８、入力装置１７２９、表示装置１７３０、スピーカ１７３１、無線通信インターフェース１７３３、１つ又は複数のアンテナスイッチ１７３６、１つ又は複数のアンテナ１７３７及び電池１７３８を含む。１つの実現方式において、ここでのカーナビゲーション装置１７２０（又はプロセッサ１７２１）は、上記端末機器３００Ｂ及び／又は１５００Ａに対応することができる。
図２１は、本開示内容の技術を応用可能なカーナビゲーション装置１７２０の例示的な配置の例を示すブロック図である。カーナビゲーション装置１７２０は、プロセッサ１７２１、メモリ１７２２、全球位置決めシステム（ＧＰＳ）モジュール１７２４、センサ１７２５、データインターフェース１７２６、コンテンツプレーヤー１７２７、記憶媒体インターフェース１７２８、入力装置１７２９、表示装置１７３０、スピーカ１７３１、無線通信インターフェース１７３３、１つ又は複数のアンテナスイッチ１７３６、１つ又は複数のアンテナ１７３７及び電池１７３８を含む。１つの実現方式において、ここでのカーナビゲーション装置１７２０（又はプロセッサ１７２１）は、上記端末機器３００Ｂ及び／又は１５００Ａに対応することができる。
【0173】
プロセッサ１７２１は、例えばＣＰＵ又はＳｏＣであって、カーナビゲーション装置１７２０のナビゲーション機能と他の機能を制御することができる。メモリ１７２２は、ＲＡＭとＲＯＭを含み、データとプロセッサ１７２１によって実行されるプログラムを記憶する。
【0174】
ＧＰＳモジュール１７２４は、ＧＰＳ衛星から受信されたＧＰＳ信号を使用してカーナビゲーション装置１７２０の位置（例えば、緯度、経度、高度）を測定する。センサ１７２５は、例えばジャイロセンサ、地磁気センサ及び気圧センサなどの１組のセンサを含んでもよい。データインターフェース１７２６は図示しない端末を介して例えば車載ネットワーク１７４１に接続し、車両が生成したデータ（例えば、車速データ）を取得する。
【0175】
コンテンツプレーヤー１７２７は、記憶媒体（例えば、ＣＤとＤＶＤ）に記憶されたコンテンツを再生する。この記憶媒体は、記憶媒体インターフェース１７２８に挿入される。入力装置１７２９は、例えば表示装置１７３０のスクリーン上のタッチを検出するように配置されるタッチセンサ、ボタン又はスイッチを含み、ユーザから入力された操作又は情報を受信する。表示装置１７３０は、例えばＬＣＤやＯＬＥＤディスプレイのスクリーンを含み、ナビゲーション機能の画像又は再生されたコンテンツを表示する。スピーカ１７３１は、ナビゲーション機能の音又は再生されたコンテンツを出力する。
【0176】
無線通信インターフェース１７３３は任意のセルラー通信方式（例えば、ＬＴＥとＬＴＥ－Ａｄｖａｎｃｅｄ）をサポートし、無線通信を実行することができる。無線通信インターフェース１７３３は、通常、例えばＢＢプロセッサ１７３４とＲＦ回路１７３５を含んでもよい。ＢＢプロセッサ１７３４は、例えば、符号化／復号化、変調／復調、多重化／多重化解除を実行するとともに、無線通信のための様々なタイプの信号処理を実行することができる。同時に、ＲＦ回路１７３５は、例えばミキサ、フィルタ、アンプを含んで、アンテナ１７３７を介して無線信号を送受信することができる。無線通信インターフェース１７３３は、その上にＢＢプロセッサ１７３４とＲＦ回路１７３５が集積される１つのチップモジュールであってもよい。図２１に示すように、無線通信インターフェース１７３３は、複数のＢＢプロセッサ１７３４と複数のＲＦ回路１７３５を含んでもよい。図２１には、無線通信インターフェース１７３３に複数のＢＢプロセッサ１７３４と複数のＲＦ回路１７３５が含まれる例が示されているが、無線通信インターフェース１７３３は、単一のＢＢプロセッサ１７３４又は単一のＲＦ回路１７３５を含んでもよい。
【0177】
なお、セルラー通信方式に加え、無線通信インターフェース１７３３は、例えば短距離無線通信方式、近接通信方式と無線ＬＡＮ方式などの別タイプの無線通信方式をサポートすることができる。この場合、無線通信インターフェース１７３３は、各無線通信方式に対するＢＢプロセッサ１７３４とＲＦ回路１７３５を含んでもよい。
【0178】
アンテナスイッチ１７３６のそれぞれは、無線通信インターフェース１７３３における複数の回路（例えば異なる無線通信方式に使用される回路）間でアンテナ１７３７の接続先を切り替える。
【0179】
アンテナ１７３７のそれぞれは、単一又は複数のアンテナ素子（例えばＭＩＭＯアンテナに含まれた複数のアンテナ素子）を含んで、無線通信インターフェース１７３３の無線信号の送受信に使用される。図２１に示すように、カーナビゲーション装置１７２０は、複数のアンテナ１７３７を含んでもよい。図２１にはカーナビゲーション装置１７２０に複数のアンテナ１７３７が含まれる例が示されているが、カーナビゲーション装置１７２０は、単一のアンテナ１７３７を含んでもよい。
【0180】
なお、カーナビゲーション装置１７２０は、各無線通信方式に対するアンテナ１７３７を含んでもよい。この場合、アンテナスイッチ１７３６は、カーナビゲーション装置１７２０の配置から省略されてもよい。
【0181】
電池１７３８は、給電線によって図２１に示すカーナビゲーション装置１７２０の各ブロックに電力を提供する。給電線は、図面において部分的に点線によって示される。電池１７３８は、車両から提供した電力を蓄積する。
【0182】
本開示内容の技術は、カーナビゲーション装置１７２０、車載ネットワーク１７４１及び車両モジュール１７４２のうちの１つ又は複数のブロックが含まれた車載システム（又は車両）１７４０として実現されてもよい。車両モジュール１７４２は、車両データ（例えば車速、エンジン速度、故障情報）を生成して、生成されたデータを車載ネットワーク１７４１に出力する。
【0183】
以上は、図面を参照して本開示の例示的な実施例について説明したが、当然ながら、本開示は、以上の例に限定されない。当業者は、添付の請求の範囲内に様々な変更と修正を得ることができ、且つこれら変更と修正は本開示の技術の範囲内に含まれると理解すべきである。
【0184】
例えば、以上の実施例において１つのユニットに含まれる複数の機能は、分離された装置によって実現されることができる。代わりに、以上の実施例において複数のユニットによって実現される複数の機能は、それぞれに分離された装置によって実現されることができる。また、以上の機能の１つは、複数のユニットによって実現されることができる。もちろん、このような配置は、本開示の技術の範囲に含まれる。
【0185】
この明細書において、フローチャートに記載されたステップは、記載の順序で時間系列的に実行される処理だけでなく、必ず時間系列でなく並行又は個別に実行される処理も含む。また、もちろん、ひいては時間系列的に処理されるステップも適当にその順序を変更してもよい。
【0186】
本開示及びその利点を詳細に説明したが、理解すべきことは、添付の請求の範囲に限定された本開示の精神と範囲外でない場合に、様々な変更、代替と変換を行うことができる。さらに、本開示の実施例の用語「含む」、「包含する」又はその任意の他の変体は、非排他的な含有を示すことで、一系列の要素を含む過程、方法、物品又は機器は、それらの要素だけでなく、明示されていない他の要素も含み、又はこのような過程、方法、物品又は機器に固有の要素も含む。さらに多い制限がない場合に、「１つの・・・を含む」によって限定される要素は、前記要素を含む過程、方法、物品又は機器にほかの同じ要素も含むことを除外しない。
【0187】
本明細書の説明から、本開示の実施例は、以下のように構成され得ると認識できる。
１．無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードするように構成される、電子機器。
２．前記処理回路システムは、さらに、
ユーザ機器と基地局との距離を示す距離情報を制御エンティティに送信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、条項１に記載の電子機器。
３．前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含む、条項１に記載の電子機器。
４．前記上りリンクリソース情報によって示される上りリンクリソースは、制御エンティティが前記複数のユーザ機器からの数量情報を受信するとき、基地局と前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含む、条項１に記載の電子機器。
５．前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、条項４に記載の電子機器。
６．前記制御エンティティと前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記制御エンティティは基地局である、条項１に記載の電子機器。
７．ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１に記載の電子機器。
８．前記処理回路システムは、さらに、
制御エンティティから前記次のグローバルモデルのパラメータを受信してローカルモデルのパラメータを更新するように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１に記載の電子機器。
９．前記所定の５ＱＩ値は、
リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、条項７又は８に記載の電子機器。
１０．前記５ＱＩ値は、８７である、条項９に記載の電子機器。
１１．無線通信システムにおけるネットワーク機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信するように構成される、電子機器。
１２．前記処理回路システムは、さらに、
ユーザ機器からの、ユーザ機器と基地局との距離を示す距離情報を受信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、条項１１に記載の電子機器。
１３．前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含む、条項１１に記載の電子機器。
１４．前記上りリンクリソース情報によって示される上りリンクリソースは、前記処理回路システムが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含む、条項１１に記載の電子機器。
１５．前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、条項１４に記載の電子機器。
１６．前記電子機器と前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記電子機器は基地局である、条項１１に記載の電子機器。
１７．ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１１に記載の電子機器。
１８．前記処理回路システムは、さらに、
前記次のグローバルモデルのパラメータをユーザ機器に送信してユーザ機器にローカルモデルのパラメータを更新させるように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１１に記載の電子機器。
１９．前記所定の５ＱＩ値は、
リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、条項１７又は１８に記載の電子機器。
２０．前記５ＱＩ値は、８７である、条項１９に記載の電子機器。
２１．無線通信システムに用いられる方法であって、
制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられることと、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードすることとを含む、方法。
２２．無線通信システムに用いられる方法であって、
ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、複数のユーザ機器からの数量情報に基づいて割り当てられることと、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信することとを含む、方法。
２３．電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に条項２１又は２２に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
２４．条項２１又は２２に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。
２５．無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測し、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示し、
前記情報を基地局に通知し、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知し、基地局に、当該タイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させるように構成される、電子機器。
２６．前記処理回路システムは、さらに、
基地局から送信された予測を開始するためのトリガコマンドを受信するように構成され、
前述した、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することは、
トリガコマンドを受信したことに応答して、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することをさらに含む、条項２５に記載の電子機器。
２７．前述した、基地局から送信された予測を開始するためのトリガコマンドを受信することは、
基地局が、ユーザ機器に送信すべきデータが現れることに応答してユーザ機器に送信した予測を開始するためのトリガコマンドを受信することを含む、条項２６に記載の電子機器。
２８．前記情報は、
前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットと、
前記複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットと、
前記複数の将来のタイムスロットの各々の相対的なチャネルゲインと、
前記複数の将来のタイムスロットの各々のチャネルゲインとのうちの少なくとも１つを含む、条項２５に記載の電子機器。
２９．前記情報が、前記複数の将来のタイムスロットの各々のチャネルゲインである場合、前記複数の将来のタイムスロットの各々のチャネルゲインを、ディープニューラルネットワークによって構築された圧縮モデルを介して基地局に送信する、条項２８に記載の電子機器。
３０．前述した、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知することは、
利用可能な上りリンクリソースが第２の閾値を下回ると決定する場合、又は、上りリンクフィードバックチャネル品質が第３の閾値を下回ると決定する場合、当該タイムスロットにおけるチャネル品質指示のみを基地局に通知し、前記複数の将来のタイムスロットのうちの他のタイムスロットにおけるチャネル品質指示を通知しないことを含む、条項２５に記載の電子機器。
３１．無線通信システムにおける基地局側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
ユーザ機器から、現在の時刻より後の複数の将来のタイムスロットにおけるチャネルゲインに関する情報を受信し、前記情報は、ユーザ機器が現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて予測したものであり、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示し、
ユーザ機器から、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を受信し、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信するように構成される、電子機器。
３２．前記処理回路システムは、さらに、
予測を開始するためのトリガコマンドをユーザ機器に送信するように構成される、条項３１に記載の電子機器。
３３．前述した、予測を開始するためのトリガコマンドをユーザ機器に送信することは、
ユーザ機器に送信すべきデータが現れることに応答して、ユーザ機器に予測を開始するためのトリガコマンドを送信することを含む、条項３２に記載の電子機器。
３４．前記情報は、
前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットと、
前記複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットと、
前記複数の将来のタイムスロットの各々の相対的なチャネルゲインと、
前記複数の将来のタイムスロットの各々のチャネルゲインとのうちの少なくとも１つを含む、条項３１に記載の電子機器。
３５．前記情報が、前記複数の将来のタイムスロットの各々のチャネルゲインである場合、各タイムスロットの前記チャネルゲインは、ディープニューラルネットワークによって構築された圧縮モデルを介してユーザ機器から受信される、条項３４に記載の電子機器。
３６．前述した、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示をユーザ機器から受信することは、
利用可能な上りリンクリソースが第２の閾値を下回ると決定する場合、又は、上りリンクフィードバックチャネル品質が第３の閾値を下回ると決定する場合、当該タイムスロットにおけるチャネル品質指示のみをユーザ機器から受信し、前記複数の将来のタイムスロットのうちの他のタイムスロットにおけるチャネル品質指示を受信しないことを含む、条項３１に記載の電子機器。
３７．無線通信システムに用いられる方法であって、
現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することであって、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示すことと、
前記情報を基地局に通知することと、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知して、基地局に、当該タイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させることとを含む、方法。
３８．無線通信システムに用いられる方法であって、
ユーザ機器から、現在の時刻より後の複数の将来のタイムスロットにおけるチャネルゲインに関する情報を受信することであって、前記情報は、ユーザ機器が現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて予測したものであり、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示すことと、
ユーザ機器から、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を受信することと、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信することとを含む、方法。
３９．電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に条項３７又は３８に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
４０．条項３７又は３８に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。
１．無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードするように構成される、電子機器。
２．前記処理回路システムは、さらに、
ユーザ機器と基地局との距離を示す距離情報を制御エンティティに送信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、条項１に記載の電子機器。
３．前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含む、条項１に記載の電子機器。
４．前記上りリンクリソース情報によって示される上りリンクリソースは、制御エンティティが前記複数のユーザ機器からの数量情報を受信するとき、基地局と前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含む、条項１に記載の電子機器。
５．前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、条項４に記載の電子機器。
６．前記制御エンティティと前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記制御エンティティは基地局である、条項１に記載の電子機器。
７．ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１に記載の電子機器。
８．前記処理回路システムは、さらに、
制御エンティティから前記次のグローバルモデルのパラメータを受信してローカルモデルのパラメータを更新するように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１に記載の電子機器。
９．前記所定の５ＱＩ値は、
リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、条項７又は８に記載の電子機器。
１０．前記５ＱＩ値は、８７である、条項９に記載の電子機器。
１１．無線通信システムにおけるネットワーク機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信するように構成される、電子機器。
１２．前記処理回路システムは、さらに、
ユーザ機器からの、ユーザ機器と基地局との距離を示す距離情報を受信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、条項１１に記載の電子機器。
１３．前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含む、条項１１に記載の電子機器。
１４．前記上りリンクリソース情報によって示される上りリンクリソースは、前記処理回路システムが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含む、条項１１に記載の電子機器。
１５．前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、条項１４に記載の電子機器。
１６．前記電子機器と前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記電子機器は基地局である、条項１１に記載の電子機器。
１７．ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１１に記載の電子機器。
１８．前記処理回路システムは、さらに、
前記次のグローバルモデルのパラメータをユーザ機器に送信してユーザ機器にローカルモデルのパラメータを更新させるように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、条項１１に記載の電子機器。
１９．前記所定の５ＱＩ値は、
リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、条項１７又は１８に記載の電子機器。
２０．前記５ＱＩ値は、８７である、条項１９に記載の電子機器。
２１．無線通信システムに用いられる方法であって、
制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられることと、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードすることとを含む、方法。
２２．無線通信システムに用いられる方法であって、
ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、複数のユーザ機器からの数量情報に基づいて割り当てられることと、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信することとを含む、方法。
２３．電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に条項２１又は２２に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
２４．条項２１又は２２に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。
２５．無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測し、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示し、
前記情報を基地局に通知し、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知し、基地局に、当該タイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させるように構成される、電子機器。
２６．前記処理回路システムは、さらに、
基地局から送信された予測を開始するためのトリガコマンドを受信するように構成され、
前述した、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することは、
トリガコマンドを受信したことに応答して、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することをさらに含む、条項２５に記載の電子機器。
２７．前述した、基地局から送信された予測を開始するためのトリガコマンドを受信することは、
基地局が、ユーザ機器に送信すべきデータが現れることに応答してユーザ機器に送信した予測を開始するためのトリガコマンドを受信することを含む、条項２６に記載の電子機器。
２８．前記情報は、
前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットと、
前記複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットと、
前記複数の将来のタイムスロットの各々の相対的なチャネルゲインと、
前記複数の将来のタイムスロットの各々のチャネルゲインとのうちの少なくとも１つを含む、条項２５に記載の電子機器。
２９．前記情報が、前記複数の将来のタイムスロットの各々のチャネルゲインである場合、前記複数の将来のタイムスロットの各々のチャネルゲインを、ディープニューラルネットワークによって構築された圧縮モデルを介して基地局に送信する、条項２８に記載の電子機器。
３０．前述した、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知することは、
利用可能な上りリンクリソースが第２の閾値を下回ると決定する場合、又は、上りリンクフィードバックチャネル品質が第３の閾値を下回ると決定する場合、当該タイムスロットにおけるチャネル品質指示のみを基地局に通知し、前記複数の将来のタイムスロットのうちの他のタイムスロットにおけるチャネル品質指示を通知しないことを含む、条項２５に記載の電子機器。
３１．無線通信システムにおける基地局側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、
ユーザ機器から、現在の時刻より後の複数の将来のタイムスロットにおけるチャネルゲインに関する情報を受信し、前記情報は、ユーザ機器が現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて予測したものであり、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示し、
ユーザ機器から、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を受信し、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信するように構成される、電子機器。
３２．前記処理回路システムは、さらに、
予測を開始するためのトリガコマンドをユーザ機器に送信するように構成される、条項３１に記載の電子機器。
３３．前述した、予測を開始するためのトリガコマンドをユーザ機器に送信することは、
ユーザ機器に送信すべきデータが現れることに応答して、ユーザ機器に予測を開始するためのトリガコマンドを送信することを含む、条項３２に記載の電子機器。
３４．前記情報は、
前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットと、
前記複数の将来のタイムスロットのうち、チャネルゲインが第１の閾値を上回る全てのタイムスロットと、
前記複数の将来のタイムスロットの各々の相対的なチャネルゲインと、
前記複数の将来のタイムスロットの各々のチャネルゲインとのうちの少なくとも１つを含む、条項３１に記載の電子機器。
３５．前記情報が、前記複数の将来のタイムスロットの各々のチャネルゲインである場合、各タイムスロットの前記チャネルゲインは、ディープニューラルネットワークによって構築された圧縮モデルを介してユーザ機器から受信される、条項３４に記載の電子機器。
３６．前述した、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示をユーザ機器から受信することは、
利用可能な上りリンクリソースが第２の閾値を下回ると決定する場合、又は、上りリンクフィードバックチャネル品質が第３の閾値を下回ると決定する場合、当該タイムスロットにおけるチャネル品質指示のみをユーザ機器から受信し、前記複数の将来のタイムスロットのうちの他のタイムスロットにおけるチャネル品質指示を受信しないことを含む、条項３１に記載の電子機器。
３７．無線通信システムに用いられる方法であって、
現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて、現在の時刻より後の複数の将来のタイムスロットのチャネルゲインに関する情報を予測することであって、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示すことと、
前記情報を基地局に通知することと、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を基地局に通知して、基地局に、当該タイムスロットにおいて前記チャネル品質指示に基づいてデータを送信させることとを含む、方法。
３８．無線通信システムに用いられる方法であって、
ユーザ機器から、現在の時刻より後の複数の将来のタイムスロットにおけるチャネルゲインに関する情報を受信することであって、前記情報は、ユーザ機器が現在の時刻より前の複数の履歴タイムスロットのチャネルゲインに基づいて予測したものであり、前記情報は、前記複数の将来のタイムスロットのうち、最も高いチャネルゲインを有するタイムスロットを示すことと、
ユーザ機器から、前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおけるチャネル品質指示を受信することと、
前記情報によって示される最も高いチャネルゲインを有するタイムスロットにおいて前記チャネル品質指示に基づいてデータを送信することとを含む、方法。
３９．電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に条項３７又は３８に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
４０．条項３７又は３８に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11A】
【図11B】
【図12A】
【図12B】
【図13】
【図14A】
【図14B】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【手続補正書】
【提出日】2024-03-05
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
無線通信システムにおけるユーザ機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードするように構成される、電子機器。
【請求項2】
前記処理回路システムは、さらに、ユーザ機器と基地局との距離を示す距離情報を制御エンティティに送信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、請求項１に記載の電子機器。
【請求項3】
前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含み、及び／又は、
前記上りリンクリソース情報によって示される上りリンクリソースは、制御エンティティが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含み、及び／又は、
前記制御エンティティと前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記制御エンティティは基地局であり、及び／又は、
ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項１に記載の電子機器。
【請求項4】
前記処理回路システムは、さらに、制御エンティティから前記次のグローバルモデルのパラメータを受信してローカルモデルのパラメータを更新するように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項１に記載の電子機器。
【請求項5】
前記所定の５ＱＩ値は、リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、請求項３又は４に記載の電子機器。
【請求項6】
前記５ＱＩ値は、８７である、請求項５に記載の電子機器。
【請求項7】
前記上りリンクリソース情報によって示される上りリンクリソースは、制御エンティティが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含み、前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、請求項１に記載の電子機器。
【請求項8】
無線通信システムにおけるネットワーク機器側に用いられる電子機器であって、処理回路システムを含み、前記処理回路システムは、ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信し、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信し、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって複数のユーザ機器からの数量情報に基づいて割り当てられ、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信するように構成される、電子機器。
【請求項9】
前記処理回路システムは、さらに、ユーザ機器からの、ユーザ機器と基地局との距離を示す距離情報を受信するように構成され、
前記上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きく、且つ距離情報によって示される距離が小さいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、前記処理回路システムによって前記複数のユーザ機器からの数量情報と距離情報とに基づいて割り当てられる、請求項８に記載の電子機器。
【請求項10】
前記上りリンクリソース情報によって示される上りリンクリソースは、ＵＲＬＬＣトラフィックの上りリンクリソースを含み、及び／又は、
前記上りリンクリソース情報によって示される上りリンクリソースは、前記処理回路システムが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含み、及び／又は、
前記電子機器と前記複数のユーザ機器は共同でフェデレーションラーニングを実現し、前記電子機器は基地局であり、及び／又は、
ローカルモデルのパラメータのアップロードは、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項８に記載の電子機器。
【請求項11】
前記処理回路システムは、さらに、前記次のグローバルモデルのパラメータをユーザ機器に送信してユーザ機器にローカルモデルのパラメータを更新させるように構成され、
前記次のグローバルモデルのパラメータの伝送は、所定の５ＱＩ値によって指定される所定のＱｏＳ要求を満たす、請求項８に記載の電子機器。
【請求項12】
前記所定の５ＱＩ値は、リソースタイプが保証ビットレートＧＢＲであること、
デフォルト優先度レベルが７０であること、
パケット遅延バジェットが１０ｍｓであること、
パケット誤り率が１０－６であること、
デフォルト平均ウィンドウが２０００ｍｓであることのうちの少なくとも１つを定義する、請求項１０又は１１に記載の電子機器。
【請求項13】
前記５ＱＩ値は、８７である、請求項１２に記載の電子機器。
【請求項14】
前記上りリンクリソース情報によって示される上りリンクリソースは、前記処理回路システムが前記複数のユーザ機器からの数量情報を受信するとき、基地局と、前記複数のユーザ機器とが行っている非遅延敏感型トラフィックの上りリンクリソースを含み、前記非遅延敏感型トラフィックがｅＭＢＢトラフィックである、請求項８に記載の電子機器。
【請求項15】
無線通信システムに用いられる方法であって、制御エンティティにユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を送信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を受信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、制御エンティティによって複数のユーザ機器からの数量情報に基づいて割り当てられることと、
制御エンティティが次のグローバルモデルを得るように、前記上りリンクリソース情報によって示される上りリンクリソースを介して、ローカルモデルのパラメータを制御エンティティにアップロードすることとを含む、方法。
【請求項16】
無線通信システムに用いられる方法であって、ユーザ機器からの、ユーザ機器がローカルモデルの現在のトレーニング期間に使用するトレーニングサンプルの数量情報を受信することと、
ローカルモデルのパラメータをアップロードするための上りリンクリソース情報を送信することであって、上りリンクリソース情報によって示される上りリンクリソースは、数量情報によって示される数量が大きいユーザ機器ほど、ローカルモデルのパラメータをアップロードするために十分な上りリンクリソースが割り当てられる機会が増えるように、複数のユーザ機器からの数量情報に基づいて割り当てられることと、
次のグローバルモデルを得るように、ユーザ機器が前記上りリンクリソース情報によって示される上りリンクリソースを介してアップロードしたローカルモデルのパラメータを受信することとを含む、方法。
【請求項17】
電子機器の１つ又は複数のプロセッサによって実行されると、当該電子機器に請求項１５又は１６に記載の方法を実行させる１つ又は複数の命令を記憶したコンピュータ可読記憶媒体。
【請求項18】
請求項１５又は１６に記載の方法の動作を実行するための部材を含む、無線通信システムに用いられる装置。
【請求項19】
電子機器の１つ又は複数のプロセッサによって実行されると、該電子機器に請求項１５又は１６に記載の方法を実行させる１つ又は複数の命令を含むコンピュータプログラム。
【国際調査報告】