(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】2024-11-08
(54)【発明の名称】通信の方法及び装置
(51)【国際特許分類】
H04W 72/0446 20230101AFI20241031BHJP
H04W 72/23 20230101ALI20241031BHJP
H04W 52/02 20090101ALI20241031BHJP
【ＦＩ】
H04W72/0446
H04W72/23
H04W52/02 110
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024531023
(86)(22)【出願日】2021-11-24
(85)【翻訳文提出日】2024-07-22
(86)【国際出願番号】 CN2021132889
(87)【国際公開番号】W WO2023092349
(87)【国際公開日】2023-06-01
(81)【指定国・地域】
(71)【出願人】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】100103894
【弁理士】
【氏名又は名称】家入 健
(72)【発明者】
【氏名】グアン ペン
(72)【発明者】
【氏名】ワン ガン
【テーマコード（参考）】
5K067
【Ｆターム（参考）】
5K067AA43
5K067EE02
5K067EE10
5K067EE71
5K067JJ13
(57)【要約】
本開示の例示的な実施形態は、不連続カバレッジのシナリオに対処するための効果的なメカニズムに関する。この解決策において、ネットワーク内の装置は、機械学習（ＭＬ）モデルに関連付けられた少なくとも１つの設定を取得してもよい。具体的には、該少なくとも１つの設定は、ＭＬモデルにより生成される推論結果と、ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す。該少なくとも１つの設定を適用することにより、推論誤差を検出し、誤った推論にうまく対処することができる。
【選択図】図７
【選択図】図７
【特許請求の範囲】
【請求項1】
通信の方法であって、第１の装置において、第２の装置から、機械学習（ＭＬ（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ））モデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を受信することと、
前記少なくとも１つの設定を適用することと、
を含む方法。
【請求項2】
前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、
前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は
前記少なくとも１つの設定を適用する開始点を決定するための情報、
のうちの少なくとも１つを示す請求項１に記載の方法。
【請求項3】
前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、
前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、
を示す請求項１に記載の方法。
【請求項4】
前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、
前記推論結果を得るために前記第１の装置により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、
を含む請求項１に記載の方法。
【請求項5】
前記少なくとも１つの設定が、前記推論サイクルの周期、
前記第１の時間間隔の第１の長さ、
前記第２の時間間隔の第２の長さ、又は
前記少なくとも１つの設定を適用する開始点を決定するための情報、
のうちの少なくとも１つを示す請求項４に記載の方法。
【請求項6】
前記第１の装置が不連続受信（ＤＲＸ）モードで動作する場合、前記推論サイクルは、前記ＤＲＸモードのＤＲＸサイクルに揃えられる、請求項４に記載の方法。
【請求項7】
前記第１の装置が不連続受信（ＤＲＸ）モードで動作する場合、前記少なくとも１つの設定を適用することは、前記ＤＲＸモードのＤＲＸサイクルのアクティブ時間間隔中に、前記第１の時間間隔内に前記推論結果と前記測定結果とを得ること、又は
前記ＤＲＸサイクルの非アクティブ時間間隔中に、前記第１の時間間隔をスキップすること、
を含む請求項４に記載の方法。
【請求項8】
複数のＭＬモデルが前記第１の装置に設定されている場合、前記複数のＭＬモデルから１つのＭＬモデルを選択することと、選択されたＭＬモデルを示す第１のメッセージを前記第２の装置に送信することと、
をさらに含む請求項１に記載の方法。
【請求項9】
前記第２の装置に、前記第１の装置において前記ＭＬモデルにより生成された第１の推論結果、
前記第１の装置により測定された、前記ＭＬモデルに対応する第１の測定結果、
前記第１の推論結果と前記第１の測定結果との第１の差、
前記第１の装置により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は
第２のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第２のメッセージを送信すること、
をさらに含む請求項１に記載の方法。
【請求項10】
前記第２のメッセージは、周期的に、又は前記ＭＬモデルの推論誤差を検出したことに応じてのみ送信される、請求項９に記載の方法。
【請求項11】
前記ＭＬモデルの推論誤差が生じた場合、前記第２の装置に、前記推論誤差が生じた前記ＭＬモデルに関する情報、
候補ＭＬモデルに関する情報、又は
第３のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第３のメッセージを送信すること、
をさらに含む請求項１に記載の方法。
【請求項12】
前記第２の装置から、前記第２の装置により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、
前記第２の装置において前記ＭＬモデルにより生成された第２の推論結果、
前記第２の装置により測定された、前記ＭＬモデルに対応する第２の測定結果、
前記第２の推論結果と前記第２の測定結果との第２の差、
前記推論誤差が生じた前記ＭＬモデルに関する情報、
候補ＭＬモデルに関する情報、又は
第４のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第４のメッセージを受信すること、
をさらに含む請求項１に記載の方法。
【請求項13】
前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、
前記第１の装置と前記第２の装置とのいずれかにより測定された、前記ＭＬモデルに対応する測定結果、
前記推論結果と前記測定結果との差、又は
前記第２の装置から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、
のうちの少なくとも１つに基づいて決定すること、
をさらに含む請求項１に記載の方法。
【請求項14】
前記ＭＬモデルの推論誤差が生じたと前記第１の装置が決定した場合、前記ＭＬモデルを候補ＭＬモデルに更新すること、をさらに含む請求項１に記載の方法。
【請求項15】
前記ＭＬモデルの推論誤差が生じたと前記第１の装置が決定した場合、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる前記推論結果の生成を無効化すること、をさらに含む請求項１に記載の方法。
【請求項16】
前記少なくとも１つの設定を適用することは、特定のオペレーションに応じて、前記少なくとも１つの設定を、決定された開始点から適用すること、
を含む請求項１に記載の方法。
【請求項17】
前記第１の装置は、端末装置であり、前記第２の装置は、ネットワーク装置又はＭＬ関数コントローラであり、前記ＭＬモデルは、エアインターフェースのために使用されるＭＬモデルである、請求項１に記載の方法。
【請求項18】
通信の方法であって、端末装置において、機械学習（ＭＬ）モデルの推論誤差を示す事前定義されたイベントであって、エアインターフェース上の特定の機能について特別に定義された前記事前定義されたイベントを検出することと、
ネットワーク装置に、前記ＭＬモデルを更新するための要求を送信することと、
を含む方法。
【請求項19】
一定期間中の統計結果に基づいて、前記事前定義されたイベントを検出したと決定すること、をさらに含む請求項１８に記載の方法。
【請求項20】
前記要求は、前記端末装置により決定され、前記ＭＬモデルの推論誤差が生じたことを示す第３の指示、
前記推論誤差が生じた前記ＭＬモデルに関する情報、又は
候補ＭＬモデルに関する情報、
のうちの少なくとも１つを示す請求項１８に記載の方法。
【請求項21】
前記事前定義されたイベントを検出したことに応じて、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる推論結果の生成を無効化すること、をさらに含む請求項１８に記載の方法。
【請求項22】
通信の方法であって、第１の装置において、第２の装置から、
特定の無線ネットワーク一時アイデンティティ（ＲＮＴＩ）、
特定の制御リソースセット（ＣＯＲＥＳＥＴ）、
特定の探索空間セット、又は
グループ共通送信とブロードキャストとのうちの１つ、
のうちの少なくとも１つを介して受信される１つ又は複数の機械学習（ＭＬ）モデルを受信すること、
を含む方法。
【請求項23】
前記第２の装置に、ＭＬモデルの推論誤差を検出することを前記第１の装置がサポートするか否か、
前記第１の装置に設定されたＭＬモデルの数、
前記第１の装置によりサポートされるＭＬ連携レベルに関する情報、
前記第１の装置によりサポートされるＭＬアーキテクチャに関する情報、又は
前記第１の装置によりサポートされるＭＬ機能に関する情報、
のうちの少なくとも１つを示す、前記第１の装置の能力関連情報を送信すること、
をさらに含む請求項２２に記載の方法。
【請求項24】
前記第２の装置から、前記１つ又は複数のＭＬモデルについての少なくとも１つの設定であって、特定のセル、
特定のセルグループ、
特定の第１の装置、
特定の第１の装置グループ、又は
特定の機能、
のうちの少なくとも１つに固有の前記少なくとも１つの設定を受信すること、
をさらに含む請求項２２に記載の方法。
【請求項25】
通信の方法であって、第２の装置において、機械学習（ＭＬ）モデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を生成することと、
前記少なくとも１つの設定を送信することと、
を含む方法。
【請求項26】
前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、
前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は
前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す、
請求項２５に記載の方法。
【請求項27】
前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、
前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、
を含む請求項２５に記載の方法。
【請求項28】
前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、
前記推論結果を得るために前記第１の装置により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、
を含む請求項２５に記載の方法。
【請求項29】
前記少なくとも１つの設定が、前記推論サイクルの周期、
前記第１の時間間隔の第１の長さ、
前記第２の時間間隔の第２の長さ、又は
前記少なくとも１つの設定を適用する開始点を決定するための情報、
のうちの少なくとも１つを示す請求項２８に記載の方法。
【請求項30】
前記第１の装置が不連続受信（ＤＲＸ）モードで動作する場合、前記推論サイクルは、前記ＤＲＸモードのＤＲＸサイクルに揃えられる、請求項２８に記載の方法。
【請求項31】
複数のＭＬモデルを前記第１の装置に送信することと、前記第１の装置から、前記複数のＭＬモデルから前記第１の装置により選択されたＭＬモデルを示す第１のメッセージを受信することと、
をさらに含む請求項２５に記載の方法。
【請求項32】
前記第１の装置から、前記第１の装置において前記ＭＬモデルにより生成された第１の推論結果、
前記ＭＬモデルに対応する第１の測定結果、
前記第１の推論結果と前記第１の測定結果との第１の差、
前記第１の装置により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は
第２のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第２のメッセージを受信すること、
をさらに含む請求項２５に記載の方法。
【請求項33】
前記第１の装置から、前記推論誤差が生じた前記ＭＬモデルに関する情報、
候補ＭＬモデルに関する情報、又は
第３のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第３のメッセージを受信すること、
をさらに含む請求項２５に記載の方法。
【請求項34】
前記第１の装置に、前記第２の装置により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、
前記第２の装置において前記ＭＬモデルにより生成された第２の推論結果、
前記第２の装置により測定された、前記ＭＬモデルに対応する第２の測定結果、
前記第２の推論結果と前記第２の測定結果との第２の差、
前記推論誤差が生じた前記ＭＬモデルに関する情報、
候補ＭＬモデルに関する情報、又は
第４のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第４のメッセージを送信すること、
をさらに含む請求項２５に記載の方法。
【請求項35】
前記第４のメッセージは、周期的に、又は前記ＭＬモデルの推論誤差を検出したことに応じてのみ送信される、請求項３４に記載の方法。
【請求項36】
前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、
前記第１の装置と前記第２の装置とのいずれかにより測定された、前記ＭＬモデルに対応する前記測定結果、
前記推論結果と前記測定結果との差、又は
前記第１の装置から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、
のうちの少なくとも１つに基づいて決定すること、
をさらに含む請求項２５に記載の方法。
【請求項37】
前記第１の装置は、端末装置であり、前記第２の装置は、ネットワーク装置又はＭＬ関数コントローラであり、前記ＭＬモデルは、エアインターフェースのために使用されるＭＬモデルである、請求項２５に記載の方法。
【請求項38】
通信の方法であって、第２の装置において、第１の装置に、
特定の無線ネットワーク一時アイデンティティ（ＲＮＴＩ）、
特定の制御リソースセット（ＣＯＲＥＳＥＴ）、
特定の探索空間セット、又は
グループ共通送信とブロードキャストとのうちの１つ、
のうちの少なくとも１つを介して送信される１つ又は複数の機械学習（ＭＬ）モデルを送信すること、
を含む方法。
【請求項39】
前記第１の装置から、ＭＬモデルの推論誤差を検出することを前記第１の装置がサポートするか否か、
前記第１の装置に設定されたＭＬモデルの数、
前記第１の装置によりサポートされるＭＬ連携レベルに関する情報、
前記第１の装置によりサポートされるＭＬアーキテクチャに関する情報、又は
前記第１の装置によりサポートされるＭＬ機能に関する情報、
のうちの少なくとも１つを示す、前記第１の装置の能力関連情報を受信すること、
をさらに含む請求項３８に記載の方法。
【請求項40】
前記第１第２の装置に、前記１つ又は複数のＭＬモデルについての少なくとも１つの設定であって、特定のセル、
特定のセルグループ、
特定の第１の装置、
特定の第１の装置グループ、又は
特定の機能、
のうちの少なくとも１つに固有の前記少なくとも１つの設定を送信すること、
をさらに含む請求項３８に記載の方法。
【請求項41】
前記１つ又は複数のＭＬモデルを送信することは、前記第１の装置と前記第２の装置との間の通信状況が事前設定された条件を満たした場合、前記１つ又は複数のＭＬモデルを送信すること、
を含む請求項３８に記載の方法。
【請求項42】
プロセッサと、前記プロセッサに結合され命令を記憶しているメモリと、を備える第１の装置であって、前記命令が前記プロセッサにより実行された場合、請求項１～１７又は請求項２２～２４の何れか一項に記載の方法を実行する、
第１の装置。
【請求項43】
プロセッサと、前記プロセッサに結合され命令を記憶しているメモリと、を備える端末装置であって、
前記命令が前記プロセッサにより実行された場合、請求項１８～２１の何れか一項に記載の方法を実行する、
端末装置。
【請求項44】
プロセッサと、前記プロセッサに結合され命令を記憶しているメモリと、を備える第２の装置であって、前記命令が前記プロセッサにより実行された場合、請求項２５～４１の何れか一項に記載の方法を実行する、
第２の装置。
【請求項45】
少なくとも１つのプロセッサ上で実行された場合、前記少なくとも１つのプロセッサに、請求項１～４１の何れか一項に記載の方法を実行させる命令を記憶している、コンピュータ可読媒体。
【発明の詳細な説明】
【技術分野】
【0001】
本開示の例示的な実施形態は、全体として通信技術の分野に関し、特に、機械学習（ＭＬ：ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）モデルの推論誤差を検出及び対処するための方法、装置及び媒体に関する。
【背景技術】
【0002】
通信ネットワーク及びサービスの規模、複雑さ、ユーザ数が増大するにつれて、通信ネットワークにおける通信がますます複雑になる可能性がある。通信性能を向上させるために、無線通信ネットワークにＭＬ／人工知能（ＡＩ：ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）技術を使用することが提案されている。特に、エアインターフェースインタラクション（即ち、端末装置とネットワーク装置との間のインタラクション）にＭＬ／ＡＩ技術を用いてもよいことが提案されている。この場合、端末装置及びネットワーク装置を含む関連するネットワーク要素に、ＭＬ／ＡＩモデルを効率的に配布することが期待される。
【0003】
さらに、ＭＬ／ＡＩモデルにより生成される推論結果は必ずしも正確とは限らない。不正確な推論結果は、通信の失敗、無線リソースの無駄など、複数の悪影響をもたらす可能性がある。したがって、ＭＬモデルの推論誤差を検出及び対処するための解決策を提案することが望ましい。
【発明の概要】
【発明が解決しようとする課題】
【0004】
全体として、本開示の例示的な実施形態は、ＭＬモデルの推論誤差を検出及び対処するための解決策を提供する。特許請求の範囲に含まれない実施形態（もしあれば）は、本開示の様々な実施形態を理解するのに有用な例として解釈される。
【課題を解決するための手段】
【0005】
第１の態様において、通信の方法が提供される。前記方法は、第１の装置において、第２の装置から、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を受信することと、前記少なくとも１つの設定を適用することと、を含む。
【0006】
第２の態様において、通信の方法が提供される。前記方法は、端末装置において、ＭＬモデルの推論誤差を示す事前定義されたイベントであって、エアインターフェース上の特定の機能について特別に定義された前記事前定義されたイベントを検出することと、ネットワーク装置に、前記ＭＬモデルを更新するための要求を送信することと、を含む。
【0007】
第３の態様において、通信の方法が提供される。前記方法は、特定の無線ネットワーク一時アイデンティティ（ＲＮＴＩ：ｒａｄｉｏ ｎｅｔｗｏｒｋ ｔｅｍｐｏｒａｒｙ ｉｄｅｎｔｉｔｙ）、特定の制御リソースセット（ＣＯＲＥＳＥＴ：ｃｏｎｔｒｏｌ ｒｅｓｏｕｒｃｅ ｓｅｔ）、特定の探索空間セット、又はグループ共通送信及びブロードキャストのうちの１つ、のうちの少なくとも１つを介して受信される１つ又は複数のＭＬモデルを、第１の装置において、第２の装置から受信することを含む。
【0008】
第４の態様において、通信の方法が提供される。前記方法は、第２の装置において、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を生成することと、前記少なくとも１つの設定を送信することと、を含む。
【0009】
第５の態様において、通信の方法が提供される。前記方法は、特定のＲＮＴＩ、特定のＣＯＲＥＳＥＴ、特定の探索空間セット、又はグループ共通送信及びブロードキャストのうちの１つ、のうちの少なくとも１つを介して送信される１つ又は複数のＭＬモデルを、第２の装置において、第１の装置に送信することを含む。
【0010】
第６の態様において、第１の装置が提供される。前記第１の装置は、プロセッシングユニットと、前記プロセッシングユニットに結合され、命令を記憶しているメモリとを備え、前記命令が前記プロセッシングユニットにより実行された場合、前記端末装置は、前記第１の態様に記載の方法を実行する。
【0011】
第７の態様において、端末装置が提供される。前記端末装置は、プロセッシングユニットと、前記プロセッシングユニットに結合され、命令を記憶しているメモリとを備え、前記命令が前記プロセッシングユニットにより実行された場合、前記端末装置は、前記第２の態様に記載の方法を実行する。
【0012】
第８の態様において、第１の装置が提供される。前記第１の装置は、プロセッシングユニットと、前記プロセッシングユニットに結合され、命令を記憶しているメモリとを備え、前記命令が前記プロセッシングユニットにより実行された場合、前記端末装置は、前記第３の態様に記載の方法を実行する。
【0013】
第９の態様において、第２の装置が提供される。前記第２の装置は、プロセッシングユニットと、前記プロセッシングユニットに結合され、命令を記憶しているメモリとを備え、前記命令が前記プロセッシングユニットにより実行された場合、前記端末装置は、前記第４の態様に記載の方法を実行する。
【0014】
第１０の態様において、第２の装置が提供される。前記第２の装置は、プロセッシングユニットと、前記プロセッシングユニットに結合され、命令を記憶しているメモリとを備え、前記命令が前記プロセッシングユニットにより実行された場合、前記ネットワーク装置は、前記第５の態様に記載の方法を実行する。
【0015】
第１１の態様において、少なくとも１つのプロセッサ上で実行された場合、前記少なくとも１つのプロセッサに、以上の第１～第５の態様の何れか一項に記載の方法を実行させる命令を記憶しているコンピュータ可読媒体が提供される。
【0016】
発明の概要部分は、本開示の実施形態の重要又は基本的な特徴を特定することも、本開示の範囲を限定することも意図していないことを理解すべきである。本開示のその他の特徴は、以下の説明により容易に理解できるはずである。
【図面の簡単な説明】
【0017】
添付図面において本開示のいくつかの例示的な実施形態をさらに詳細に説明することで、本開示の上述の及びその他の目的、特徴及び利点を、さらに明らかにする。
【0018】
【図1】ＭＬプロセスの提案された機能フレームワークを示す図である。
【0019】
【図2】本開示の例示的な実施形態を実施可能な例示的な通信環境を示す図である。
【0020】
【図3A】本開示により支持されるＡＩ／ＭＬオペレーションのタイプを示す図である。
【図3B】本開示により支持されるＡＩ／ＭＬオペレーションのタイプを示す図である。
【図3C】本開示により支持されるＡＩ／ＭＬオペレーションのタイプを示す図である。
【0021】
【図4】本開示のいくつかの実施形態にかかる、通信のためのプロセスを示すシグナリング図である。
【0022】
【図5A】本開示のいくつかの実施形態にかかる、第１／第２の装置における例示的なオペレーションタイミングを示す図である。
【図5B】本開示のいくつかの実施形態にかかる、第１／第２の装置における例示的なオペレーションタイミングを示す図である。
【0023】
【図6】本開示のいくつかの実施形態にかかる、第１／第２の装置における別の例示的なオペレーションタイミングを示す図である。
【0024】
【図7】本開示のいくつかの実施形態にかかる、第１の装置により実行される例示的な方法を示す図である。
【0025】
【図8】本開示のいくつかの実施形態にかかる、端末装置により実行される例示的な方法を示す図である。
【0026】
【図9】本開示のいくつかの実施形態にかかる、第１の装置により実行される例示的な方法を示す図である。
【0027】
【図10】本開示のいくつかの実施形態にかかる、第２の装置により実行される例示的な方法を示す図である。
【0028】
【図11】本開示のいくつかの実施形態にかかる、第２の装置により実行される例示的な方法を示す図である。
【0029】
【図12】本開示の例示的な実施形態を実現するのに適した機器の概略ブロック図である。
【0030】
図中、同一又は類似の参照番号は、同一又は類似の要素を表す。
【発明を実施するための形態】
【0031】
ここで、いくつかの例示的実施形態を参照して、本開示の原理を説明する。これらの実施形態は、説明のためにのみ記載され、当業者が本開示を理解し、実施するのを助けるものであり、本開示の範囲に関するいかなる限定も示唆しないことを理解すべきである。本明細書で説明される実施形態は、以下で説明される方法とは異なる様々な方法で実施することができる。
【0032】
以下の説明及び特許請求の範囲において、別途定義されていない限り、本文で使用される全ての技術的及び科学的用語は、本開示の当業者が一般に理解するものと同一の意味を有する。
【0033】
本開示における「一つの実施形態」、「実施形態」、「例示的な実施形態」等への参照は、説明された実施形態が特定の特徴、構造、又は特性を含むことができることを示すが、各実施形態が必ずしも該特定の特徴、構造、又は特性を含むとは限らない。さらに、このようなフレーズは、必ずしも同じ実施形態を指すとは限らない。さらに、実施形態に関連して特定の特徴、構造又は特性を説明する場合、明示的に説明されているか否かにかかわらず、他の実施形態に関連してかかる特徴、構造又は特性に影響を与えることは当業者の知識の範囲内であると考えられる。
【0034】
用語「第１」及び「第２」などは本明細書では様々な要素を説明することに用いることができるが、これらの要素はこれらの用語により制限されるべきではないことを理解すべきである。これらの用語は、一つの要素を別の要素から区別するためにのみ使用される。例えば、例示的な実施形態の範囲を逸脱することなく、第１の要素を第２の要素と名付けてもよく、そして同様に、第２の要素を第１の要素と名付けてもよい。本明細書で使用されるように、用語「及び／又は」は、記載された用語のうちの一つ又は複数の任意及び全ての組み合わせを含む。
【0035】
本明細書で使用される用語は、特定の実施形態を説明する目的のためだけに使用され、例示的な実施形態を限定することを意図していない。本明細書で使用される単数形「１つ」、及び「前記」は、文脈に明示的に示されていない限り、複数形も含まれる。本明細書で使用される場合、用語「含む」、「包含する」、「有する」、「具備する」、「備える」、及び／又は「持つ」は、記載された特徴、要素、及び／又は構成部品などの存在を指定するが、一つ又は複数のその他の特徴、要素、構成部品、及び／又はそれらの組み合わせの存在又は追加を除外しないことをさらに理解すべきである。
【0036】
いくつかの例において、値、プロシージャ、又は機器は、「最良」、「最低」、「最高」、「最小」、「最大」などと称される。このような説明は、多くの使用される機能的代替案の中から選択することができることを示すことを意図されており、そして、このような選択は、他の選択より良く、より小さく、より高い必要がなく、又はそのほかの点でより好ましい必要はないことが、理解できるはずである。
【0037】
本明細書で使用されるように、用語「通信ネットワーク」は、Ｎｅｗ Ｒａｄｉｏ（ＮＲ）、ロングタームエボリューション（ＬＴＥ： Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ－Ａｄｖａｎｃｅｄ（ＬＴＥ－Ａ）、広帯域符号分割多元接続（ＷＣＤＭＡ：Ｗｉｄｅｂａｎｄ Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、高速パケットアクセス（ＨＳＰＡ：Ｈｉｇｈ－Ｓｐｅｅｄ Ｐａｃｋｅｔ Ａｃｃｅｓｓ）、狭帯域モノのインターネット（ＮＢ－ＩｏＴ：Ｎａｒｒｏｗ Ｂａｎｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）などのような、任意の適切な通信規格に準拠するネットワークを意味する。さらに、通信ネットワークにおける端末装置とネットワーク装置との間の通信は、第１世代（１Ｇ）、第２世代（２Ｇ）、２．５Ｇ、２．７５Ｇ、第３世代（３Ｇ）、第４世代（４Ｇ）、４．５Ｇ、第５世代（５Ｇ）、５．５Ｇ、５Ｇ－Ａｄｖａｎｃｅｄネットワーク又は第６世代（６Ｇ）通信プロトコル、及び／又は現在知られている、又は将来開発される任意の他のプロトコルを含むがこれらに限定されない任意の適切な世代の通信プロトコルに従って実現されてもよい。本開示の実施形態は、様々な通信システムに適用することが可能である。通信の急速な発展に鑑みて、本開示を具現化することができる将来のタイプの通信技術及びシステムも当然存在するであろう。これは、本開示の範囲を前述のシステムのみに限定するものとみなされるべきではない。
【0038】
本明細書で使用されるように、用語「端末装置」は、無線又は有線の通信能力を有する任意の装置を指す。端末装置の例は、ユーザ装置（ＵＥ）、パーソナルコンピュータ、デスクトップ、携帯電話、セルラーフォン、スマートフォン、パーソナルデジタルアシスタント（ＰＤＡ）、ポータブルコンピュータ、タブレット、ウェアラブルデバイス、モノのインターネット（ＩｏＴ）装置、超信頼性低遅延通信（ＵＲＬＬＣ）装置、あらゆるモノのインターネット（ＩｏＥ：Ｉｎｔｅｒｎｅｔ ｏｆ Ｅｖｅｒｙｔｈｉｎｇ）装置、マシンタイプ通信（ＭＴＣ：ｍａｃｈｉｎｅ ｔｙｐｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）装置、Ｘが歩行者、車両、又はインフラストラクチャ／ネットワークを意味するＶ２Ｘ通信のための車載装置、統合アクセス及び統合アクセス及びバックホール（ＩＡＢ）のための装置、衛星及び無人航空機システム（ＵＡＳ：Ｕｎｍａｎｎｅｄ Ａｉｒｃｒａｆｔ Ｓｙｓｔｅｍ）を包含する高高度プラットフォーム（ＨＡＰ：Ｈｉｇｈ Ａｌｔｉｔｕｄｅ Ｐｌａｔｆｏｒｍ）を含む非地上系ネットワーク（ＮＴＮ）内の衛星搭載車両又は航空機搭載車両、拡張現実（ＡＲ）、混合現実（ＭＲ）、仮想現実（ＶＲ）などの、異なるタイプの現実を含むエクステンデッドリアリティ（ＸＲ：ｅｘｔｅｎｄｅｄ ｒｅａｌｉｔｙ）装置、人間の操縦者を持たない航空機でありドローンとして一般に称される無人航空車両（ＵＡＶ：ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｖｅｈｉｃｌｅ）、高速列車（ＨＳＴ：ｈｉｇｈ ｓｐｅｅｄ ｔｒａｉｎ）上の装置、又はデジタルカメラなどの画像取得装置、センサーゲーム装置、音楽保存及び再生装置、又は無線又は有線のインターネットアクセス及び閲覧などを可能とするインターネット家電など、を含むがこれらに限定されない。「端末装置」は、公共の安全及びミッションを最重要視する、Ｖ２Ｘアプリケーション、トランスペアレントＩＰｖ４／ＩＰｖ６マルチキャスト配信、ＩＰＴＶ、スマートＴＶ、無線サービス、無線を介するソフトウェア配信、グループ通信及びＩｏＴアプリケーションをサポートするために、「マルチキャスト／ブロードキャスト」機能をさらに有してもよい。また、マルチＳＩＭとして知られる１つ又は複数の加入者識別モジュール（ＳＩＭ：Ｓｕｂｓｃｒｉｂｅｒ Ｉｄｅｎｔｉｔｙ Ｍｏｄｕｌｅ ）が組み込まれてもよい。用語「端末装置」は、ＵＥ、移動局、加入者局、移動端末、ユーザ端末、又は無線装置と互換的に使用されてもよい。
【0039】
本明細書で使用される用語「ネットワーク装置」は、端末装置が通信可能なセル又はカバレッジを提供又はホストすることのできる装置を意味する。ネットワーク装置の例は、衛星、無人航空システム（ＵＡＳ：ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｓｙｓｔｅｍｓ）プラットフォーム、ノードＢ（ＮｏｄｅＢ又はＮＢ）、進化型ノードＢ（ｅＮｏｄｅＢ又はｅＮＢ）、次世代ノードＢ（ｇＮＢ）、送受信ポイント（ＴＲＰ）、リモートラジオユニット（ＲＲＵ）、ラジオヘッド（ＲＨ）、リモートラジオヘッド（ＲＲＨ）、ＩＡＢノード、フェムトノード、ピコノード、再設定可能なインテリジェントサーフェス（ＲＩＳ：ｒｅｃｏｎｆｉｇｕｒａｂｌｅ ｉｎｔｅｌｌｉｇｅｎｔ ｓｕｒｆａｃｅ）などの低電力ノードを含むが、これらに限定されない。
【0040】
端末装置又はネットワーク装置は、人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）又は機械学習の能力を有していてもよい。一般的に、特定の機能のために収集された多数のデータから訓練済みのモデルが含まれ、いくつかの情報を予測するために使用されることができる。
【0041】
端末装置又はネットワーク装置は、例えば、ＦＲ１（４１０ＭＨｚ～７１２５ＭＨｚ）、ＦＲ２（２４．２５ＧＨｚ～７１ＧＨｚ）、１００ＧＨｚより大きい周波数帯域、及びテラヘルツ（ＴＨｚ：Ｔｅｒａ Ｈｅｒｔｚ）などのいくつかの周波数範囲上で動作してもよい。さらに許可／無許可／共有スペクトル上で動作することができる。端末装置は、マルチ無線デュアル接続（ＭＲ－ＤＣ：Ｍｕｌｔｉ－Ｒａｄｉｏ Ｄｕａｌ Ｃｏｎｎｅｃｔｉｖｉｔｙ）アプリケーションシナリオの下で、ネットワーク装置と２つ以上の接続を有していてもよい。端末装置又はネットワーク装置は、全二重、フレキシブル二重、クロス分割二重モードで動作することができる。
【0042】
本開示の実施形態は、例えば、信号生成器、信号分析器、スペクトル分析器、ネットワーク分析器、テスト端末装置、テストネットワーク装置、チャネルエミュレータ等のテスト機器において実施されてもよい。
【0043】
本開示の実施形態は、現在知られている、又は将来開発される任意の世代の通信プロトコルに従って実行されてもよい。通信プロトコルの例は、第１世代（１Ｇ）、第２世代（２Ｇ）、２．５Ｇ、２．７５Ｇ、第３世代（３Ｇ）、第４世代（４Ｇ）、４．５Ｇ、第５世代（５Ｇ）通信プロトコル、５．５Ｇ、５Ｇ－Ａｄｖａｎｃｅｄネットワーク、又は第６世代（６Ｇ）ネットワークを含むが、これらに限定されない。
【0044】
本明細書で使用される用語「回路」は、ハードウェア回路及び／又はハードウェア回路とソフトウェアとの組み合わせを意味してもよい。例えば、回路は、アナログ及び／又はデジタルハードウェア回路とソフトウェア／ファームウェアとの組み合わせであってもよい。さらに別の例として、回路は、端末装置又はネットワーク装置のような装置に様々な機能を実行させるために協働する、デジタル信号プロセッサ、ソフトウェア及び１つ又は複数のメモリを含むソフトウェアを有するハードウェアプロセッサの任意の部分であってもよい。さらに別の例において、回路は、オペレーションのためにソフトウェア／ファームウェアを必要とするハードウェア回路及び／又はマイクロプロセッサ又はその一部のようなプロセッサであってもよいが、オペレーションのために必要でない場合、ソフトウェアは存在しなくてもよい。本明細書で使用されるように、用語「回路」は、ハードウェア回路又は１つ又は複数のプロセッサのみ、又はハードウェア回路又は１つ又は複数のプロセッサの一部及びその（又はそれらの）付随するソフトウェア及び／又はファームウェアの実現も含む。
【0045】
上述したように、エアインターフェースインタラクションのためにＭＬ／ＡＩ技術を用いてもよいことが期待される。具体的には、ＭＬモデル（ＡＩモデルと称されることもある）が端末装置とネットワーク装置とのいずれか又は両方に適用されてもよい。一般的に言うと、ＭＬモデルとは、一連の入力に基づいて、予測情報からなる一連の出力を生成するＭＬ技術を適用することによる、データ駆動アルゴリズムを指す。ＭＬモデルは、例えば、異なる態様により説明され、特定されてもよい。
●ＡＩ／ＭＬ関連アルゴリズムと関連付けられる複雑さとの定義段階を特徴付ける：
・モデル生成、例えば、モデル訓練（入力／出力、前処理／後処理を含む（該当する場合））、モデル検証、モデルテスト（該当する場合）。
・推論オペレーション、例えば、入力／出力、前処理／後処理（該当する場合）。
●ＵＥとｇＮＢとの間の様々なレベルの連携を特定する、例えば、
・連携なし：比較のために情報を交換せずに、実現に基づくのみのＡＩ／ＭＬアルゴリズムである。
・別々の又は結合されたＭＬオペレーションをターゲットとする様々なレベルのＵＥ／ｇＮＢ連携。
●ＡＩ／ＭＬモデルのライフサイクル管理、例えば、モデルデプロイメント（開始／設定）、モデル監視、モデル更新、及びモデル転送を特定する。
●訓練、推論、検証及びテストのためのデータセット。
●ＡＩ／ＭＬ関連機能、プロシージャ、及びインターフェースについての共通の表記及び用語を特定する。
●ＡＩ／ＭＬ関連アルゴリズムと関連付けられる複雑さとの定義段階を特徴付ける：
・モデル生成、例えば、モデル訓練（入力／出力、前処理／後処理を含む（該当する場合））、モデル検証、モデルテスト（該当する場合）。
・推論オペレーション、例えば、入力／出力、前処理／後処理（該当する場合）。
●ＵＥとｇＮＢとの間の様々なレベルの連携を特定する、例えば、
・連携なし：比較のために情報を交換せずに、実現に基づくのみのＡＩ／ＭＬアルゴリズムである。
・別々の又は結合されたＭＬオペレーションをターゲットとする様々なレベルのＵＥ／ｇＮＢ連携。
●ＡＩ／ＭＬモデルのライフサイクル管理、例えば、モデルデプロイメント（開始／設定）、モデル監視、モデル更新、及びモデル転送を特定する。
●訓練、推論、検証及びテストのためのデータセット。
●ＡＩ／ＭＬ関連機能、プロシージャ、及びインターフェースについての共通の表記及び用語を特定する。
【0046】
さらに、ＭＬモデルを生成するためには、ＭＬ訓練が必要である。無線通信のシナリオについては、ＭＬ訓練に使用されるデータは、ネットワークノード、管理エンティティ又はＵＥから収集されてもよい。そして、オンライン又はオフラインのプロセスを実行して、データを最適に提示し、推論のために訓練済みＭＬモデルを取得する特徴及びパターンを学習することにより、ＭＬモデルを訓練してもよい。ＭＬ推論プロセス中に、訓練済みＭＬモデルを用いて、収集されたデータとＭＬモデルとに基づいて予測を行ったり、決定をと導いたりしてもよい。ここで図１を参照し、図１は、ＭＬプロセスの提案された機能フレームワーク１００を示す。図１に示すように、提案された機能フレームワーク１００には、４つの重要な機能ブロック、即ち、データ収集機能１１０、モデル訓練機能１２０、モデル推論機能１３０及びアクター機能１４０が含まれている。上記４つの重要な機能ブロックについての詳細を以下で説明する。
●データ収集機能１１０は、入力データをモデル訓練機能１２０及びモデル推論機能１３０に提供する機能である。ＡＩ／ＭＬアルゴリズム固有のデータ準備（例えば、データの前処理及びクリーニング、フォーマッティング、及び変換）はデータ収集機能１１０においては実行されない。
入力データの例は、ＵＥ又は異なるネットワークエンティティからの測定結果、アクターからのフィードバック、ＡＩ／ＭＬモデルからの出力を含んでもよい。
・訓練データ１５０：ＡＩ／ＭＬモデル訓練機能１２０のための入力として必要なデータである。
・推論データ１６０：ＡＩ／ＭＬモデル推論機能１３０のための入力として必要なデータである。
●モデル訓練機能１２０は、ＭＬモデル訓練、検証、及びテストを実行する機能である。モデル訓練機能１２０はまた、必要に応じて、データ収集機能１１０により配送された訓練データ１５０に基づくデータ準備（例えば、データの前処理及びクリーニング、フォーマッティング、変換）を担当する。
●モデル推論機能１３０は、ＡＩ／ＭＬモデル推論出力（即ち、出力１７０、例えば予測又は決定）を提供する機能である。モデル推論機能１３０はまた、必要に応じて、データ収集機能１１０により配信された推論データに基づくデータ準備（例えば、データの前処理及びクリーニング、フォーマッティング、変換）を担当する。
・出力１７０：モデル推論機能１３０により生成されるＡＩ／ＭＬモデルの推論出力である。
●アクター機能１４０は、モデル推論機能１３０からの出力を受信し、対応する動作をトリガ又は実行する機能である。アクター機能１４０は、他のエンティティ又は自身に対する動作をトリガしてもよい。
・フィードバック１８０：訓練データ１５０、又は推論データ１６０、又はパフォーマンスフィードバックを導出するために必要とされ得る情報である。
●データ収集機能１１０は、入力データをモデル訓練機能１２０及びモデル推論機能１３０に提供する機能である。ＡＩ／ＭＬアルゴリズム固有のデータ準備（例えば、データの前処理及びクリーニング、フォーマッティング、及び変換）はデータ収集機能１１０においては実行されない。
入力データの例は、ＵＥ又は異なるネットワークエンティティからの測定結果、アクターからのフィードバック、ＡＩ／ＭＬモデルからの出力を含んでもよい。
・訓練データ１５０：ＡＩ／ＭＬモデル訓練機能１２０のための入力として必要なデータである。
・推論データ１６０：ＡＩ／ＭＬモデル推論機能１３０のための入力として必要なデータである。
●モデル訓練機能１２０は、ＭＬモデル訓練、検証、及びテストを実行する機能である。モデル訓練機能１２０はまた、必要に応じて、データ収集機能１１０により配送された訓練データ１５０に基づくデータ準備（例えば、データの前処理及びクリーニング、フォーマッティング、変換）を担当する。
●モデル推論機能１３０は、ＡＩ／ＭＬモデル推論出力（即ち、出力１７０、例えば予測又は決定）を提供する機能である。モデル推論機能１３０はまた、必要に応じて、データ収集機能１１０により配信された推論データに基づくデータ準備（例えば、データの前処理及びクリーニング、フォーマッティング、変換）を担当する。
・出力１７０：モデル推論機能１３０により生成されるＡＩ／ＭＬモデルの推論出力である。
●アクター機能１４０は、モデル推論機能１３０からの出力を受信し、対応する動作をトリガ又は実行する機能である。アクター機能１４０は、他のエンティティ又は自身に対する動作をトリガしてもよい。
・フィードバック１８０：訓練データ１５０、又は推論データ１６０、又はパフォーマンスフィードバックを導出するために必要とされ得る情報である。
【0047】
詳細なＡＩ／ＭＬアルゴリズムとモデルが実装に委ねること、ユーザデータのプライバシーを保護する必要があること、ＡＬ／ＭＬのサポートが既存のＲＡＮアーキテクチャを再利用すべきであり、新しいインターフェースを導入すべきでないことがＭＬ／ＡＩ技術を無線通信に適用するための原則に含まれることが合意されている。
【0048】
今後の第３世代パートナーシッププロジェクト（３ＧＰＰ）リリース１８（Ｒｅｌ－１８）では、いくつかの研究項目及び作業項目は、エアインターフェース用のＡＩ／ＭＬと次世代無線アクセスネットワーク（ＮＧ－ＲＡＮ）用のＡＩ／ＭＬに関する作業に焦点を当てる。
【0049】
最近では、エアインターフェースのためのＡＩ／ＭＬについていくつかの議論が行われている。例えば、ＡＩ／ＭＬが複数のユースケースに適用されてもよいことが予想される。１つの例示的なユースケースは、チャネル状態情報（ＣＳＩ）フィードバック、例えば、オーバーヘッドの削減、精度の向上、予測である。別の例示的なユースケースは、ビーム管理、例えば、オーバーヘッド及び遅延の低減、ビーム選択精度の向上のための時間領域及び／又は空間領域におけるビーム予測である。別の例示的なユースケースは、厳しい見通し外（ＮＬＯＳ：ｎｏｎ－ｌｉｎｅ ｏｆ ｓｉｇｈｔ）条件を持つ様々なシナリオの測位精度の強化である。他のユースケースは、参照信号（ＲＳ）オーバーヘッドの削減、無線リソース管理（ＲＲＭ）モビリティ（例えば、頑健性、中断及びオーバーヘッドの低減のための時間又は周波数における予測）などを含む。
【0050】
しかしながら、上述したように、ＭＬ／ＡＩモデルにより生成される推論結果は必ずしも正確とは限らない。不正確な推論結果は、複数の悪影響／パフォーマンス低下をもたらす可能性がある。同様に、ＣＳＩフィードバック圧縮のシナリオにおいて、回復されたＣＳＩが実際のチャネルよりも悪い場合、不要な追加のリソース割り当てを引き起こす可能性がある一方、回復されたＣＳＩが実際のチャネルよりも良い場合、失敗した復号を引き起こす可能性がある。同様に、ＣＳＩ予測の別のシナリオ（即ち、低オーバーヘッドＣＳＩ－ＲＳ）において、予測されたＣＳＩが実際のチャネルよりも悪い場合、不要な追加のリソース割り当てを引き起こす可能性がある一方、予測されたＣＳＩが実際のチャネルよりも良い場合、失敗した復号を引き起こす可能性がある。追加として、ビーム管理において誤ったビームを示すことは、低信号対雑音比（ＳＮＲ：ｓｉｇｎａｌ－ｔｏ－ｎｏｉｓｅ ｒａｔｉｏ）又はひいてはビーム障害を引き起こす可能性があり、低オーバーヘッド復調参照信号（ＤＭＲＳ：ｄｅｍｏｄｕｌａｔｉｏｎ ｒｅｆｅｒｅｎｃｅ ｓｉｇｎａｌ）における誤った時間／周波数補償は、失敗した復号を引き起こす可能性がある。
【0051】
例示的なシナリオについての上記の議論により、無線通信ネットワークにおけるＭＬモデルの推論誤差を検出及び対処するための解決策を提案することが望ましいことが明らかになる。
【0052】
さらに、通常は、配布される必要がある２つ以上のモデルと、該２つ以上のＭＬモデルを有するように設定される必要がある多数のユーザがある。そのため、関連するネットワーク要素にＭＬ／ＡＩモデルが効率的に配布されることも期待される。
【0053】
本開示のいくつかの実施形態によれば、上記の問題のうちの少なくとも一部を解決することができるが、本開示により解決される問題は上記問題に限定されないことを、理解すべきである。
【0054】
一般的に言えば、セルは、特定の周波数リソースに関連付けられ、さらに、特定の周波数リソースは、複数のメトリック、例えば、帯域、帯域組み合わせ、周波数範囲、物理セル、帯域幅パート（ＢＷＰ）、ＢＷＰグループ、キャリア、コンポーネントキャリア（ＣＣ）、キャリアグループ、ＣＣグループなどにより識別されてもよい。以下では、「セル」／「セルグループ」について、いくつかの実施形態を説明する。「セル」／「セルグループ」に関するこのような記載は、帯域、帯域組み合わせ、周波数範囲、物理セル、ＢＷＰ、ＢＷＰグループ、キャリア、ＣＣ、キャリアグループ、ＣＣグループなどに適用されてもよいことを、理解すべきである。
【0055】
ＭＬモデルがエアインターフェースのために使用されるシナリオは、本開示の例示的な実施形態から特に利益を得ることを、理解すべきである。しかしながら、それは、本開示の実施形態がこの特定のシナリオにしか適用できないことを意味するわけではない。実際には、本開示の実施形態は、任意のシナリオにおいて実現されてもよい。本開示は、この点において限定されない。
【0056】
以下の文章では、単によりよく理解するために、端末装置及びネットワーク装置は、それぞれ、第１の装置及び第２の装置の例として使用される。明確な文字記述がない限り、本明細書で説明される実施形態は、任意の適切なネットワーク要素間で実現されてもよいことを、理解すべきである。具体的には、第１の装置と第２の装置とのいずれかが、無線通信における端末装置、ネットワーク装置、コアネットワーク装置又は他の適切なネットワーク要素のうちのいずれであってもよい。
【0057】
以下の文章では、ＭＬに基づく又はＭＬ支援、ＭＬに基づく又はＭＬ支援のビーム管理、及びＭＬに基づく又はＭＬ支援低オーバーヘッドＲＳは、単によりよく理解するための例示的なユースケースとして説明される。本明細書で説明される実施形態が任意の適切なユースケースに適用されてもよいことを、理解すべきである。具体的には、
●ＭＬに基づく又はＭＬ支援ＣＳＩフィードバックは、ＣＳＩフィードバック圧縮及び回復、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信、サウンディング参照信号（ＳＲＳ：ｓｏｕｎｄｉｎｇ ｒｅｆｅｒｅｎｃｅ ｓｉｇｎａｌ）送信又はＣＳＩフィードバックに基づくネットワーク（ＮＷ）及びＵＥにおける結合されたＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩフィードバックに基づくＮＷにおけるＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＳＲＳ送信に基づくＮＷにおけるＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信に基づいてＵＥにおけるＣＳＩ予測、などを含んでもよい。
●ＭＬに基づく又はＭＬ支援ビーム管理は、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信、ＳＲＳ送信又はビーム報告に基づくＮＷ及びＵＥにおける結合されたビーム選択又は予測、測定及び報告用のリソースのサブセットに基づく、ベストビームを推論するためのＮＷにおけるビーム選択、限定されたＣＳＩ－ＲＳ送信に基づく、ベストビームを推論するためのＵＥにおけるビーム選択、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたビーム報告に基づくＮＷにおけるビーム予測、時間領域、周波数領域、空間領域、アンテナポート領域などにおける、限定されたＳＲＳ送信に基づくＮＷにおけるビーム予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信に基づいてＵＥにおけるビーム予測、などを含んでもよい。
●ＭＬに基づく又はＭＬ支援の低オーバーヘッドＲＳは、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）低オーバーヘッドＳＳＢ／ＣＳＩ－ＲＳ／ＳＲＳ／ＰＴＲＳ／ＵＬ ＤＭＲＳ／ＤＬ ＤＭＲＳなどを含んでもよい。
●ＭＬに基づく又はＭＬ支援ＣＳＩフィードバックは、ＣＳＩフィードバック圧縮及び回復、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信、サウンディング参照信号（ＳＲＳ：ｓｏｕｎｄｉｎｇ ｒｅｆｅｒｅｎｃｅ ｓｉｇｎａｌ）送信又はＣＳＩフィードバックに基づくネットワーク（ＮＷ）及びＵＥにおける結合されたＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩフィードバックに基づくＮＷにおけるＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＳＲＳ送信に基づくＮＷにおけるＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信に基づいてＵＥにおけるＣＳＩ予測、などを含んでもよい。
●ＭＬに基づく又はＭＬ支援ビーム管理は、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信、ＳＲＳ送信又はビーム報告に基づくＮＷ及びＵＥにおける結合されたビーム選択又は予測、測定及び報告用のリソースのサブセットに基づく、ベストビームを推論するためのＮＷにおけるビーム選択、限定されたＣＳＩ－ＲＳ送信に基づく、ベストビームを推論するためのＵＥにおけるビーム選択、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたビーム報告に基づくＮＷにおけるビーム予測、時間領域、周波数領域、空間領域、アンテナポート領域などにおける、限定されたＳＲＳ送信に基づくＮＷにおけるビーム予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信に基づいてＵＥにおけるビーム予測、などを含んでもよい。
●ＭＬに基づく又はＭＬ支援の低オーバーヘッドＲＳは、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）低オーバーヘッドＳＳＢ／ＣＳＩ－ＲＳ／ＳＲＳ／ＰＴＲＳ／ＵＬ ＤＭＲＳ／ＤＬ ＤＭＲＳなどを含んでもよい。
【0058】
追加として、測位精度、ＲＲＭなどを含む他のユースケースをサポートする必要もある。
【0059】
説明を容易にするために、以下の説明で使用されるいくつかの用語及び表現を以下のように挙げる。
●用語「第１の時間間隔」は、ＭＬモデルにより生成される推論結果と、該ＭＬモデルに対応する測定結果との両方を得るための時間間隔を指し、「検証時間間隔」と称される場合もある。
●用語「第２の時間間隔」は、ＭＬモデルにより生成される推論結果を得るための時間間隔を指し、「推論のみ時間間隔」と称される場合もある。
●用語「推論サイクル」は、第１の時間間隔、第２の時間間隔、少なくとも１つのオプションの他の時間間隔、及び少なくとも１つのオプションの時間領域におけるギャップを含む時間間隔を指し、「検証サイクル」と称される場合もある。
●用語「時間単位」は、時間長さを説明する場合の単位を指し、さらに、時間単位は、シンボル、スロット、サブフレーム、フレーム、ＳＦＮ、ミリ秒等のいずれであってもよい。
●用語「第１の時間間隔」は、ＭＬモデルにより生成される推論結果と、該ＭＬモデルに対応する測定結果との両方を得るための時間間隔を指し、「検証時間間隔」と称される場合もある。
●用語「第２の時間間隔」は、ＭＬモデルにより生成される推論結果を得るための時間間隔を指し、「推論のみ時間間隔」と称される場合もある。
●用語「推論サイクル」は、第１の時間間隔、第２の時間間隔、少なくとも１つのオプションの他の時間間隔、及び少なくとも１つのオプションの時間領域におけるギャップを含む時間間隔を指し、「検証サイクル」と称される場合もある。
●用語「時間単位」は、時間長さを説明する場合の単位を指し、さらに、時間単位は、シンボル、スロット、サブフレーム、フレーム、ＳＦＮ、ミリ秒等のいずれであってもよい。
【0060】
本開示において、いくつかの用語は、同一又は類似の物理的意味を指してもよく、互換的に使用されてもよい。以下にいくつかの例示的な例を挙げる。
●用語「ＭＬモデル」、「ＡＩモデル」及び「アルゴリズム」は、互換的に使用されてもよい。
●用語「時間間隔」、「ウィンドウ」、「期間」、「タイマ」及び「区間」は、互換的に使用されてもよい。
●用語「機能」及び「ユースケース」は、互換的に使用されてもよい。
●用語「ビーム選択」、「ビーム測定」、「ビーム報告」は互換的に使用されてもよく、さらに、これらの用語は、「レイヤ１参照信号受信電力（Ｌ１－ＲＳＲＰ）測定及び／又は報告」、又は「レイヤ１信号対干渉雑音比（Ｌ１－ＳＩＮＲ）測定及び／又は報告」を指してもよい場合もある。
環境例
●用語「ＭＬモデル」、「ＡＩモデル」及び「アルゴリズム」は、互換的に使用されてもよい。
●用語「時間間隔」、「ウィンドウ」、「期間」、「タイマ」及び「区間」は、互換的に使用されてもよい。
●用語「機能」及び「ユースケース」は、互換的に使用されてもよい。
●用語「ビーム選択」、「ビーム測定」、「ビーム報告」は互換的に使用されてもよく、さらに、これらの用語は、「レイヤ１参照信号受信電力（Ｌ１－ＲＳＲＰ）測定及び／又は報告」、又は「レイヤ１信号対干渉雑音比（Ｌ１－ＳＩＮＲ）測定及び／又は報告」を指してもよい場合もある。
環境例
【0061】
図２は本開示の例示的な実施形態を実施可能な例示的な通信環境２００を示す。
【0062】
通信環境１００において、第１の装置２１０－１及び２１０－２（まとめて又は個別に第１の装置２１０と称される）と、第２の装置２２０－１及び２２０－２（まとめて又は個別に第２の装置２２０と称される）とが示されている。第１の装置２１０と第２の装置２２０とは、物理通信チャネル又はリンクを介して互いに通信してもよく、いくつかの例示的な接続は図２に示されている。第１の装置２１０と第２の装置２２０との間の接続は、実際のネットワークデプロイメントに応じて調節されてもよいことを、理解すべきである。
【0063】
図２の具体例において、第１の装置２１０－１及び２１０－２は端末装置として示されている。第２の装置２２０－１は、第１の装置２１０－１及び２１０－２をサービングするネットワーク装置として示されている。第２の装置２２０により提供されるサービスエリアは、セル２３０と称される。さらに、第２の装置２２０－２は、ＭＬ機能コントローラ（ＭＬサーバと称される場合もある）として示されている。
【0064】
図２に示す装置の数及びそれらの接続は、説明の目的でのみ与えられ、いかなる限定も示唆しないことを、理解すべきである。環境２００は、本開示の実施形態を実施するのに適した任意の適切な数の装置を備えてもよい。また、図示されていないが、通信環境２００は、他のネットワーク要素、例えば、他のコアネットワーク装置、他のアプリケーションサーバなどを含んでもよいことを、理解すべきである。
【0065】
また、いくつかの例において、同質ネットワーク配置のみ又は異質ネットワーク配置のみが通信環境２００に含まれてもよいことを、理解すべきである。
【0066】
通信環境２００における通信は、ロングタームエボリューション（ＬＴＥ）、ＬＴＥ－Ｅｖｏｌｕｔｉｏｎ、ＬＴＥ－Ａｄｖａｎｃｅｄ（ＬＴＥ－Ａ）、広帯域符号分割多元接続（ＷＣＤＭＡ）、符号分割多元接続（ＣＤＭＡ）及びモバイル通信のためのグローバルシステム（ＧＳＭ）などを含むがこれらに限定されない、任意の適切な規格に準拠してもよい。さらに、通信は、現在知られている、又は将来開発される任意の世代の通信プロトコルに従って実行されてもよい。通信プロトコルの例は、第１世代（１Ｇ）、第２世代（２Ｇ）、２．５Ｇ、２．７５Ｇ、第３世代（３Ｇ）、第４世代（４Ｇ）、４．５Ｇ、第５世代（５Ｇ）、５．５Ｇ、５Ｇ－Ａｄｖａｎｃｅｄネットワーク、又は第６世代（６Ｇ）通信プロトコルを含むが、これらに限定されない。
【0067】
追加として、ＭＬ技術は通信環境２００において適用されてもよい。さらに、異なるタイプのＡＩ／ＭＬオペレーションは通信環境２００においてサポートされてもよい。ここで、本開示によりサポートされる３つの例示的なタイプのＡＩ／ＭＬオペレーション３００、３２０及び３４０を示す図３Ａ～図３Ｃを参照する。図３Ａの具体例において、ＡＩ／ＭＬオペレーションは、異なるＡＩ／ＭＬエンドポイント（即ち、エンド装置、例えば、図２に示すような第１の装置２１０、ネットワークＡＩ／ＭＬエンドポイント、例えば図２に示すような第２の装置２２０）の間で分割されている。具体的には、ＡＩ／ＭＬオペレーション／モデルは、現在のタスク及び環境に応じて、複数の部分に分割される。その意図は、計算集約的でエネルギー集約的な部分をネットワークエンドポイントにオフロードするが、プライバシーに敏感で遅延に敏感な部分をエンド装置に残すことである。装置は、オペレーション／モデルを特定の部分／層まで実行し、そして、中間データをネットワークエンドポイントに送信する。ネットワークエンドポイントは、残りの部分／層を実行し、推論結果を装置にフィードバックする。
【0068】
サポートされる別のタイプのＡＩ／ＭＬオペレーションは図３Ｂに示されている。図３Ｂの具体例において、多機能モバイル装置（例えば、図２に示すような第１の装置２１０）は、タスク及び環境の変化に応じてＡＩ／ＭＬモデルを切り替える必要があるかもしれない。適応型モデル選択の条件は、選択されるモデルがモバイル機器にとって利用可能であることである。しかしながら、ＡＩ／ＭＬモデルがますます多様化している状況と、ＵＥ内の限られた記憶リソースを考慮すると、全ての候補ＡＩ／ＭＬモデルをオンボードで事前にロードしないことを決定することができる。変化したＡＩ／ＭＬタスク及び環境に適応するためにモバイル装置にＡＩ／ＭＬモデルが必要とされる場合、ＡＩ／ＭＬモデルをＮＷエンドポイント（例えば図２に示すような第２の装置２２０）からモバイル装置に配布することができるオンラインモデル配布（即ち、新しいモデルのダウンロード）が必要である。このために、ＵＥにおけるモデルパフォーマンスは継続的に監視される必要がある。
【0069】
サポートされる別のタイプのＡＩ／ＭＬオペレーションは図３Ｃに示されている。図３Ｃの具体例において、ＡＩ／ＭＬサーバ３５０（例えばクラウドサーバ）は、各エンド装置により部分的に訓練されたローカルモデルを統合することにより、グローバルモデルを訓練する。各訓練繰り返し内では、ＵＥ（例えば、図２に示すような第１の装置２１０など）は、ローカル訓練データを用いて、ＡＩ／ＭＬサーバ３５０からダウンロードされたモデルに基づいて訓練を実行する。そして、ＵＥは、例えば第５世代（５Ｇ）アップリンクチャネルを介して、中間訓練結果をＡＩ／ＭＬサーバ３５０に通知する。ＡＩ／ＭＬサーバ３５０は、ＵＥからの中間訓練結果を統合し、グローバルモデルを更新する。そして、更新されたグローバルモデルは、逆にＵＥに配布され、ＵＥは次の繰り返しのために訓練を実行することができる。
【0070】
ＡＩ／ＭＬオペレーションの以上のタイプが説明のためだけに示され、いかなる限定も示唆しないことを、理解すべきである。本開示の実現は、特定のタイプのＡＩ／ＭＬオペレーションに限定されない。
プロセス例
プロセス例
【0071】
特定の例示的な実施形態において特徴／オペレーションについて別々に説明したが、明確に反対の指示がない限り、異なる例示的な実施形態において説明されたこれらの特徴／オペレーションは、任意の適切な組み合わせで使用されてもよいことを、理解すべきである。
【0072】
本明細書で説明される第１の装置２１０と第２の装置２２０とは互いにとって相手であることが明らかである。具体的には、第１の装置２１０と第２の装置２２０との両方は、能力関連情報を交換し、１つ又は複数のＭＬモデルを受信し、ＭＬモデルについての１つ又は複数の設定を適用し、１つ又は複数のＭＬモデルを実行し、ＭＬモデルにより推論結果を生成し、ＭＬモデルに対応する測定結果を生成し、ＭＬモデルの推論状態を検出し、ＭＬモデルの状態情報を交換し、ＭＬモデルについての更新されたプロシージャを開始及び／又は実行してもよい。さらに、第１の装置２１０及び第２の装置２２０により行われる上記プロシージャ／オペレーションは類似であり対応している。そのため、第１の装置２１０又は第２の装置２２０に関していくつかの議論が行われたが、これらの議論は、第１の装置２１０及び第２の装置２２０のうちの他方の装置にも同様に適用されてもよい。簡潔のために、いくつかの同一又は類似の内容を省略する。
【0073】
追加として、以下の説明では、装置（例えば、第１の装置２１０及び第２の装置２２０、又は第２の装置２２０－１及び別の第２の装置２２０－２）間でいくつかのインタラクションが行われる。インタラクションは、システム情報、無線リソース制御（ＲＲＣ）メッセージ、ＤＣＩメッセージ、アップリンク制御情報（ＵＣＩ）メッセージ、ＭＡＣ ＣＥなどを含む、１つのシグナリング／メッセージ又は複数のシグナリング／メッセージ内で実現されてもよいことを、理解すべきである。本開示は、この点において限定されない。
【0074】
追加として、以下の例示的な実施形態において、メッセージ（第１のメッセージ、第２のメッセージ、第３のメッセージ、第４のメッセージ、トリガメッセージ、アクティブ化メッセージ、非アクティブ化メッセージ、その他のメッセージを含む）は、第１の装置２１０と第２の装置２２０とのいずれかに送信されてもよい。本開示で説明されるメッセージのいずれも、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置グループ、特定の機能、特定の連携レベル、特定のアーキテクチャ、特定のアルゴリズムなどについて特別に送信されてもよいことが明らかである。
【0075】
以下では、本開示のいくつかの実施形態にかかる通信のプロセス４００を例示するシグナリングチャートを示す図４を参照し、本開示の原理及び実施形態について詳細に説明する。説明のために、図２を参照してプロセス４００を説明する。プロセス４００には、第１の装置２１０及び第２の装置２２０が関与してもよい。
【0076】
オプションとして、第１の装置２１０は、第２の装置２２０が効率的なＭＬモデル配布を行い、関連するＭＬモデルについてより適切な設定を生成できるように、能力関連情報を第２の装置２２０と通信してもよい。図４に示すように、第１の装置２１０は、能力関連情報を第２の装置２２０に送信する（４１０）。
【0077】
能力関連情報の一例は、ＭＬモデルの推論誤差を検出することを第１の装置２１０がサポートするか否かである。例えば、能力関連情報は、導入された第１の時間間隔、第２の時間間隔及び／又はＭＬモデル推論サイクルを第１の装置２１０がサポートできるか否かを示す。
【0078】
能力関連情報の別の例は、第１の装置２１０に設定されたＭＬモデルの数である。例えば、能力関連情報は、同時に設定／適用される複数のＭＬモデルに関する第１の装置２１０の能力である。
【0079】
能力関連情報の別の例は、第１の装置２１０によりサポートするＭＬモデルに関する情報である。
【0080】
１つの特定の例示的な実施形態において、能力関連情報は、第１の装置２１０によりサポートされるＭＬモデル連携レベルに関する情報であり、ＭＬモデル連携レベルは、連携なし、ネットワーク（ＮＷ）のみ、ＵＥのみ、ノード間支援、結合されたＭＬオペレーション、分割オペレーション、連合学習（ＦＬ：ｆｅｄｅｒａｔｅｄ ｌｅａｒｎｉｎｇ）、ダウンロード可能などを含む連携レベルのうちののいずれかであってもよい。いくつかの実施形態において、ＭＬモデル連携レベル「連携なし」は、少なくとも、１つ又は複数のＡＩ／ＭＬアルゴリズムがエアインターフェースの変更についての改善を必要とせずに単純に実現される非連携フレームワークと、効率的な実現に基づくＡＩ／ＭＬアルゴリズムに対応した修正されたエアインターフェースを備えた非連携フレームワークと、を含む。
【0081】
代替として、いくつかの実施形態において、ＭＬモデル連携レベル「ノード間支援」が適用する場合、ＵＥ（例えば、第１の装置２１０）とネットワーク装置（例えば、第２の装置２２０）とのいずれかが、ＵＥ及びネットワーク装置とのうちの他方から（訓練、適応などのため）の支援を得る。ＭＬモデル連携レベル「ノード間支援」は、ＵＥとネットワーク装置との間のモデル交換を必要としない。代替として、いくつかの実施形態において、ＭＬモデル連携レベル「結合されたＭＬオペレーション」は、ＵＥとネットワーク装置との間のＭＬモデル及び／又は命令の交換を必要とする。
【0082】
別の特定の例示的な実施形態において、能力関連情報は、第１の装置２１０によりサポートされるＭＬモデルアーキテクチャに関する情報である。具体的には、ＭＬモデルアーキテクチャは、層数又は最大層数、隠れ層数又は最大隠れ層数、層タイプ、層形状（即ち、フィルタサイズ、チャネル／フィルタ数）、各層ごとのニューロン数及び最大ニューロン数、ニューロン数及び最大ニューロン数、層間の接続などに関連付けられていてもよい。例えば、ＭＬモデルは、多層パーセプトロン（ＭＬＰ：ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ）、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、及び再帰型ニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）などであってもよい。
【0083】
別の特定の例示的な実施形態において、能力関連情報は、第１の装置２１０によりサポートされるＭＬ機能に関する情報であり、ここで、ＭＬ機能は、ＭＬに基づく又はＭＬ支援のＣＳＩフィードバック、ビーム管理、低オーバーヘッドＲＳ、測位、モビリティなどであってもよい。
【0084】
いくつかの実施形態において、ＭＬに基づく又はＭＬ支援ＣＳＩフィードバックは、ＣＳＩフィードバック圧縮及び回復、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信、サウンディング参照信号（ＳＲＳ：ｓｏｕｎｄｉｎｇ ｒｅｆｅｒｅｎｃｅ ｓｉｇｎａｌ）送信又はＣＳＩフィードバックに基づくＮＷ及びＵＥにおける結合されたＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩフィードバックに基づくＮＷにおけるＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＳＲＳ送信に基づくＮＷにおけるＣＳＩ予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信に基づいてＵＥにおけるＣＳＩ予定を含んでもよい。
【0085】
代替として、いくつかの実施形態において、ＭＬに基づく又はＭＬ支援ビーム管理は、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信、ＳＲＳ送信又はビーム報告に基づくＮＷ及びＵＥにおける結合されたビーム選択又は予測、測定及び報告用のリソースのサブセットに基づく、ベストビームを推論するためのＮＷにおけるビーム選択、限定されたＣＳＩ－ＲＳ送信に基づく、ベストビームを推論するためのＵＥにおけるビーム選択、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたビーム報告に基づくＮＷにおけるビーム予測、時間領域、周波数領域、空間領域、アンテナポート領域などにおける、限定されたＳＲＳ送信に基づくＮＷにおけるビーム予測、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）限定されたＣＳＩ－ＲＳ送信に基づくＵＥにおけるビーム予測、を含んでもよい。
【0086】
代替として、いくつかの実施形態において、ＭＬに基づく又はＭＬ支援の低オーバーヘッドＲＳは、（時間領域、周波数領域、空間領域、アンテナポート領域などにおける）低オーバーヘッドＳＳＢ／ＣＳＩ－ＲＳ／ＳＲＳ／ＰＴＲＳ／ＵＬ ＤＭＲＳ／ＤＬ ＤＭＲＳを含んでもよい。
【0087】
能力関連情報のさらに別の例は、ＭＬ計算能力に関する情報である。具体的には、ＭＬ計算能力は、総ＭＬ計算能力、各ＭＬモデルのＭＬ計算能力などにより特定されてもよい。
【0088】
他の能力関連情報は、ＭＬモデルの特定のインデックス／ＭＬモデルのタイプ、特定のアルゴリズムについてのＭＬモデルなどを直接示してもよい。さらに、特定のアルゴリズムについてのＭＬモデルは、学習率、損失機能、コスト機能、活性化機能、ミニバッチサイズ、訓練反復数、モーメンタム、隠れユニット数、重み減衰、活性化スパース性、非線形性、重み初期化、正規化定数、エポック数、決定木内のブランチ数、クラスタリングアルゴリズム内のクラスタ数、任意の他のハイパーパラメータに関連付けられてもよい。
【0089】
同様に、第２の装置２２０は、第１の装置２１０に類似の能力関連情報を提供してもよい。さらに、第２の装置２２０は、その能力関連情報を、別の第２の装置２２０に提供してもよい。例えば、第２の装置２２０－１（即ち、ネットワーク装置）は、その能力関連情報を、別の第２の装置２２０－２（即ち、ＭＬ機能コントローラ）に送信する。
【0090】
第２の装置２２０の能力関連情報は、第１の装置２１０の能力関連情報と類似である。簡潔のために、ここでは同一又は類似の内容を省略する。
【0091】
能力関連情報の以上の例が説明の目的でのみ与えられ、いかなる限定も示唆しないことを、理解すべきである。いくつかの他の例示的な実施形態において、任意の適切な能力関連情報は、関連する装置間（例えば、第１の装置２１０－１及び２１０－２と、第２の装置２２０－１及び２２０－２とのうちのいずれか２つの間）で交換されてもよい。本開示は、この点において限定されない。
【0092】
追加として、能力関連情報は、システム情報、ＲＲＣメッセージ、ＤＣＩメッセージ、ＵＣＩメッセージ、ＭＡＣ ＣＥなどを含むがこれらに限定されない任意の適切なシグナリング／メッセージ内で搬送されてもよい。
【0093】
能力関連情報を交換することにより、第２の装置２２０（ネットワーク装置又はＭＬ機能コントローラ）は、効率的なＭＬモデル配布を実行し、ＭＬモデルについてのより適切な設定を生成してもよい。
【0094】
さらに、いくつかの実施形態によれば、改良されたＭＬ配布プロシージャが提案される。いくつかの実施形態において、１つ又は複数のＭＬモデルがネットワーク内で配布されてもよい。図４の特定の例において、第２の装置２２０は、該１つ又は複数のＭＬモデルを第１の装置２１０に送信する（４３０）。
【0095】
追加として、いくつかの実施形態において、複数のＭＬモデルが同時に設定／適用されることを第１の装置２１０がサポートする場合、２つ以上のＭＬモデルが第１の装置２１０に送信されてもよい。
【0096】
いくつかの実施形態において、該１つ又は複数のＭＬモデルは、特定のＲＮＴＩで送信されてもよい。即ち、ＭＬモデル配布のために特別に、１つ又は複数のＲＮＴＩが定義／導入されてもよい。追加として、１つの具体例において、新しいグループ固有の共通ＲＮＴＩが定義／導入されてもよい。
【0097】
代替として又は追加として、いくつかの実施形態において、該１つ又は複数のＭＬモデルは、特定のスクランブリングＩＤで送信されてもよい。即ち、ＭＬモデル配布のために特別に、１つ又は複数のスクランブリングＩＤが定義／導入されてもよい。追加として、１つの特定の例示的な実施形態において、スクランブリングＩＤは、ＰＤＣＣＨ／ＰＤＳＣＨ／ＰＵＣＣＨ／ＰＵＳＣＨ及び／又はそれぞれのＤＭＲＳについて設定されてもよい。
【0098】
代替として又は追加として、いくつかの実施形態において、該１つ又は複数のＭＬモデルは、特定のＲＲＣメッセージ、特定のＭＡＣ ＣＥ論理チャネルＩＤ（ＬＣＩＤ：ｌｏｇｉｃ ｃｈａｎｎｅｌ ＩＤ）で送信される。
【0099】
代替として又は追加として、いくつかの実施形態において、該１つ又は複数のＭＬモデルは、グループ共通送信又はブロードキャストを介して送信される。
【0100】
代替として又は追加として、いくつかの実施形態において、該１つ又は複数のＭＬモデルは、物理ダウンリンク制御チャネル（ＰＤＣＣＨ）、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＤＣＣＨ、グループ共通ＰＤＣＣＨ、物理ダウンリンク共有チャネル（ＰＤＳＣＨ）、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＤＳＣＨ、グループ共通ＰＤＳＣＨ、ページングメッセージ、システム情報、ショートメッセージなどのうちのいずれか又は組み合わせを介して送信される。代替として、いくつかの他の実施形態において、該１つ又は複数のＭＬモデルは、物理アップリンク制御チャネル（ＰＵＣＣＨ）、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＵＣＣＨ、物理アップリンク共有チャネル（ＰＵＳＣＨ）、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＵＳＣＨなどのうちのいずれか又は組み合わせを介して送信される。
【0101】
こうして、ＮＷ（例えば第２の装置２２０）が各ＵＥについて個別のＭＬモデルを訓練する可能性が低いため、グループ共通送信又はブロードキャストを用いることにより、ＭＬモデル配布プロシージャの効率が向上する。
【0102】
代替として、いくつかの他の実施形態において、該１つ又は複数のＭＬモデルがユニキャストを介して送信され、これにより、ＵＥ固有のＭＬモデル配布が可能になる。
【0103】
代替として又は追加として、いくつかの実施形態において、該１つ又は複数のＭＬモデルは、特定の無線リソース設定、例えば、特定のＣＯＲＥＳＥＴ、又は特定の探索空間セットを介して監視される。こうして、ＭＬモデル配布のスケジューリングを取得するために、特定の探索空間又はＣＯＲＥＳＥＴを監視するだけで済む。
【0104】
いくつかの実施形態において、送信された複数のＭＬモデルが、同一の機能／ユースケースのために使用されてもよい。代替として、送信された複数のＭＬモデルは、異なる機能／ユースケースのために使用されてもよい。
【0105】
いくつかの実施形態において、複数のＭＬモデルはリスト及びインデックス付けされてもよい。具体的には、複数のＭＬモデルの各々には、インデックス／アイデンティティが割り振られてもよい。いくつかの実施形態において、インデックス／アイデンティティは、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置グループ、又は特定の機能ごとに昇順又は降順である。
【0106】
いくつかの実施形態において、該１つ又は複数のＭＬモデル自体が送信されてもよい。代替として、該１つ又は複数のＭＬモデルに関連付けられた少なくとも１つのパラメータ／情報、例えば、ＭＬモデルアーキテクチャ、アルゴリズム、ハイパーパラメータなどを用いて、該１つ又は複数のＭＬモデルを関連ネットワークに示してもよい。代替として、該１つ又は複数のＭＬモデルのインデックス／アイデンティティを用いて、該１つ又は複数のＭＬモデルを関連するネットワークに示してもよい。
【0107】
追加として、該１つ又は複数のＭＬモデルは、条件付きで送信されてもよい。具体的には、いくつかの実施形態において、第１の装置２１０と第２の装置２２０との間の通信状況が事前設定された条件を満たした場合にのみ、該１つ又は複数のＭＬモデルが送信される。通信状況は、サービス品質（ＱｏＳ）要件（例えば、レート、変調及び符号化方式（ＭＣＳ：ｃｏｄｉｎｇ ｓｃｈｅｍｅ）、帯域幅、ブロック誤り率（ＢＬＥＲ：ｂｌｏｃｋ ｅｒｒｏｒ ｒａｔｅ）、遅延及び任意の他の適切なＱｏＳ要件）により識別されてもよい。１つの例示的な実施形態において、ＭＬモデルは、特定のＱｏＳ要件が満たされた場合にのみ配布される。こうして、成功するＭＬモデル配信を保証する。
【0108】
第２の装置２２０がＭＬモデルを受信する必要がある場合、第２の装置２２０は、第１の装置２１０について説明したような類似のプロシージャを実行してもよい。
【0109】
追加として、該１つ又は複数のＭＬモデルについての１つ又は複数の設定は、第１の装置２１０と第２の装置２２０とのうちのいずれかに送信されてもよい。いくつかの実施形態において、前記１つ又は複数の設定は、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置グループ、又は特定の機能に固有のものであってもよい。こうして、該１つ又は複数のＭＬモデルを柔軟に設定／アクティブ化することができる。
【0110】
トリガプロシージャ、アクティブ化／非アクティブ化プロシージャ及び設定プロシージャは、システム情報、ＲＲＣ、ＭＡＣ－ＣＥ、ＵＣＩ、ＤＣＩなどを含む、単一のメッセージ／シグナリング又は複数の分離されたメッセージ／シグナリングにより実現されてもよい。追加として、いくつかの実施形態において、メッセージ／シグナリングは、該特定のＭＬモデルインデックス／アイデンティティを示してもよい。代替として、該１つ又は複数の設定を適用するために、いくつかのデフォルトルールを定義してもよい。例えば、最も低いインデックスを有するＭＬモデルはデフォルトで適用されるＭＬモデルとみなされてもよい。
【0111】
トリガ、アクティブ化／非アクティブ化及び設定のための該１つ又は複数のメッセージ／シグナリングの送信は、ＭＬモデル配布と類似の方法で実行されてもよいことを、理解すべきである。例えば、該１つ又は複数のメッセージ／シグナリングは、特定のＲＮＴＩ、特定のスクランブルＩＤ、特定のＣＯＲＥＳＥＴ、特定の探索空間セット、特定のＭＡＣ ＣＥ ＬＣＩＤなどで送信／監視されてもよい。簡潔のために、該１つ又は複数のメッセージ／シグナリングを送信するための詳細はここで省略される。
【0112】
追加として、いくつかの実施形態において、該１つ又は複数のメッセージ／シグナリングは、上述した能力関連情報に基づいて生成されてもよい。代替として、いくつかの他の例示的な実施形態において、該１つ又は複数のメッセージ／シグナリングは、上述した能力関連情報とは独立して生成されてもよい。
【0113】
上述したように、パフォーマンス低下を回避するために、ＭＬの推論誤差を検出することが望ましい。換言すれば、適用される各ＭＬモデルを検証すべきであることが予想される。いくつかの実施形態によれば、ＭＬの推論誤差の検出は、装置（第１の装置２１０又は第２の装置２２０のいずれか）が実際の測定結果と推論結果との両方を得ることができる少なくとも１つの第１の時間間隔を設定することにより実現されてもよい。換言すれば、第１の時間間隔はＭＬモデルのパフォーマンスを監視するために使用される。実際の測定結果と推論結果とを比較することにより、推論誤差を決定／検出してもよい。
【0114】
図４に示すように、第１の装置２１０は、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を取得する（４２０－１）。図４の特定の例において、第１の装置２１０は、該少なくとも１つの設定を第２の装置から受信する（４２１）。いくつかの実施形態において、第２の装置２２０はネットワーク装置であってもよい。代替として、いくつかの他の実施形態において、第２の装置２２０はＭＬ機能コントローラであってもよい。
【0115】
これに応じて、第２の装置２２０は、対応する少なくとも１つの設定を取得してもよい（４２０－２）。１つの特定の例示的な実施形態として、第２の装置２２０（ネットワーク装置又はＭＬ機能コントローラであってもよい）は、対応する少なくとも１つの設定を自ら生成する。代替として、別の特定の例示的な実施形態において、第２の装置２２０は、該少なくとも１つの設定を、別の第２の装置２２０から受信する。例えば、第２の装置２２０－１（例えば、ネットワーク装置）は、該少なくとも１つの設定を、第２の装置２２０－２（例えば、ＭＬ機能コントローラ）から受信する。
【0116】
いくつかの実施形態において、該少なくとも１つの第１の時間間隔は非周期的又は半周期的である。例えば、設定を適用した後の１つ又は複数の時間間隔は、該少なくとも１つの第１の時間間隔として設定されてもよい。いくつかの他の実施形態において、該少なくとも１つの第１の時間間隔は、トリガメッセージ又はアクティブ化メッセージに応じて開始する。いくつかの別の実施形態において、該少なくとも１つの第１の時間間隔は、非アクティブ化メッセージに応じて停止する。追加として、トリガメッセージはＤＣＩ又はＵＣＩであってもよく、アクティブ化／非アクティブ化メッセージはＭＡＣ ＣＥであってもよい。
【0117】
代替として、いくつかの他の実施形態において、該少なくとも１つの第１の時間間隔は周期的である。この場合、該少なくとも１つの設定は、該少なくとも１つの第１の時間間隔を決定するために使用されるいくつかのパラメータを示してもよい。１つの例示的なパラメータは、該少なくとも１つの第１の時間間隔の周期である。別の例示的なパラメータは、該少なくとも１つの第１の時間間隔の各々の第１の長さ（例えば、Ｘ１個の時間単位）である、具体的には、時間単位は、シンボル、スロット、サブフレーム、フレーム、ＳＦＮ、ミリ秒等のいずれであってもよい。
【0118】
さらに、いくつかの実施形態において、第１の長さは第１のタイマの値として表されてもよい。追加として、別の例示的なパラメータは、該少なくとも１つの設定を適用する開始点を決定するための情報である。
【0119】
いくつかの実施形態において、開始点を決定するための情報は、システムフレーム番号（ＳＦＮ）又はスロット番号であってもよく、例えば、開始点はＳＦＮ０及びｓｌｏｔ０であってもよい。さらに、開始オフセットが設定されてもよい。１つの具体的な実施形態において、開始オフセットは、（ＳＦＮ＊１０＋サブフレーム番号）ｍｏｄ（ＭＬモデル推論サイクルの長さ）により決定されてもよい。
【0120】
代替として、いくつかの他の実施形態において、該少なくとも１つの第１の時間間隔の各々は推論サイクルの一部である。ここで図５Ａ及び５Ｂを参照し、第１の時間間隔５１０－１及び５１０－２は、それぞれ、推論サイクル５５０－１及び５５０－２の一部である。
【0121】
追加として、第１の時間間隔に加えて、各推論サイクルは、推論結果を得るために使用される第２の時間間隔を含んでもよい。１つの例示的な実施形態において、第２の時間間隔は、推論サイクルにおいて第１の時間間隔の後である。図５Ａに示すように、第２の時間間隔５２０－１及び５２０－２は、それぞれの第１の時間間隔５１０－１及び５１０－２の後にそれぞれ示されている。即ち、まずＭＬモデルを検証し、次にモデル推論を一定時間適用する。いくつかの他の実施形態において、時間領域における第１のギャップを第１の時間間隔と第２の時間間隔との間に定義又は設定することができる。追加として、第１のギャップの長さ（例えば、Ｘ３個の時間単位、ここで、Ｘ３は０、１、２、…であってもよい）は、第１の装置２１０及び／又は第２の装置２２０の能力に関連付けられる。代替として、第１のギャップの長さは、無線規格、ネットワークオペレータ、又はサービスプロバイダにより定義／設定／規定されたデフォルト値（例えば、０）として規定／設定されてもよい。
【0122】
代替として、別の実施形態において、第２の時間間隔は、推論サイクルにおいて第１の時間間隔の前である。図５Ｂに示すように、第２の時間間隔５２０－１及び５２０－２は、それぞれの第１の時間間隔５１０－１及び５１０－２の前にそれぞれ示されている。即ち、まずモデル推論を一定時間適用してから、パフォーマンスを確認する。追加として、いくつかの他の実施形態において、時間領域における第２のギャップを第２の時間間隔と第１の時間間隔との間に定義又は設定することができる。さらに、第２のギャップの長さ（例えば、Ｘ４個の時間単位、ここで、Ｘ４は０、１、２、…であってもよい）は、第１の装置２１０及び／又は第２の装置２２０の能力に関連付けられる。代替として、第２のギャップの長さは、無線規格、ネットワークオペレータ、又はサービスプロバイダにより定義／設定／規定されたデフォルト値（例えば、０）として規定／設定されてもよい。
【0123】
追加として、検証時間間隔が最初の期間に設定されてもよい。図５Ｂに示すように、検証時間間隔５３０が最初に設定されている。この検証時間間隔中に、ＭＬモデルは、以下で説明されるような推論誤差検出プロシージャを用いて検証されてもよい。いくつかの他の実施形態において、時間領域における第３のギャップを検証時間間隔と第２の時間間隔との間に定義又は設定することができる。追加として、第３のギャップの長さ（例えば、Ｘ５個の時間単位、ここで、Ｘ４は０、１、２、…であってもよい）は、第１の装置２１０及び／又は第２の装置２２０の能力に関連付けられる。代替として、第３のギャップの長さは、無線規格、ネットワークオペレータ、又はサービスプロバイダにより定義／設定／規定されたデフォルト値（例えば、０）として規定／設定されてもよい。
【0124】
追加として、推論サイクル、第１の時間間隔及び／又は第２の時間間隔を示すために、いくつかのパラメータを用いてもよい。１つの例示的なパラメータは、推論サイクルの周期である。別の例示的なパラメータは、上述したような第１の時間間隔の第１の長さである。別の例示的なパラメータは、第２の時間間隔の第２の長さ（例えば、Ｘ２個の時間単位）である。別の例示的なパラメータは、推論サイクルの長さ（例えば、Ｘ個の時間単位）である。さらに、いくつかの実施形態において、第２の長さは第２のタイマの値として表されてもよい。いくつかの他の実施形態において、推論サイクルの長さは、第３のタイマの値として表されてもよい。他の例示的なパラメータは、該少なくとも１つの設定を適用する開始点を決定するための情報であってもよい。
【0125】
該少なくとも１つの設定により示される上記例示的なパラメータは、説明のためだけに与えられたことを、理解すべきである。上記の例示的なパラメータのうちのいずれをデフォルト値として設定してもよい。もしそうであれば、このパラメータを示す必要はない。さらに、第１の時間間隔、第２の時間間隔、及び推論サイクルを示すために、任意の他の適切なパラメータを用いてもよい。本開示は、この点において限定されない。
【0126】
追加として、いくつかの実施形態において、第１の時間間隔と第２の時間間隔とに加えて、推論サイクルは、ＭＬモデル訓練のために使用される第４の時間間隔、ＭＬモデルテストのために使用される第５の時間間隔、ＭＬモデル切替のために使用される第６の時間間隔などをさらに含んでもよい。
【0127】
追加として、推論サイクル／他の時間間隔（第２の時間間隔、第３の時間間隔、第４の時間間隔などを含む）は、第１の時間間隔と同様に設定されてもよい／示されてもよい。
【0128】
例えば、推論サイクル及び他の時間間隔のいずれも、第１の装置２１０及び第２の装置２２０のいずれかにより設定／生成されてもよい。
【0129】
追加として、推論サイクル／他の時間間隔は非周期的又は半周期的であってもよい。具体的には、設定を適用した後の１つ又は複数の時間間隔は、推論サイクル／他の時間間隔として設定されてもよい。いくつかの他の例示的な実施形態において、推論サイクル／他の時間間隔は、トリガメッセージ又はアクティブ化メッセージに応じて開始してもよい。いくつかの別の例示的な実施形態において、推論サイクル／他の時間間隔は、非アクティブ化メッセージに応じて停止してもよい。追加として、トリガメッセージはＤＣＩ又はＵＣＩであってもよく、アクティブ化／非アクティブ化メッセージはＭＡＣ ＣＥであってもよい。
【0130】
代替として、推論サイクル／他の時間間隔は周期的であってもよい。この場合、該少なくとも１つの設定は、推論サイクル／他の時間間隔を決定するために使用されるいくつかのパラメータ、例えば、推論サイクル／他の時間間隔のそれぞれの長さ、推論サイクル／他の時間間隔のそれぞれの周期、及び他の適切なパラメータを示してもよい。さらに、いくつかの実施形態において、それぞれの長さは第１のタイマの値として表されてもよい。追加として、別の例示的なパラメータは、該少なくとも１つの設定を適用する開始点を決定するための情報である。
【0131】
簡潔のために、推論サイクル／他の時間間隔に関するより多くの詳細をここで省略する。
【0132】
代替として又は追加として、推論サイクルと時間間隔（即ち、第１の時間間隔、第２の時間間隔、第３の時間間隔、第４の時間間隔など）とのいずれも、それぞれの開始点を有するように設定されてもよい。具体的には、推論サイクルは、開始点Ｔ１を有するように設定され、第１の時間間隔は、開始点Ｔ２を有するように設定され、第２の時間間隔は、開始点Ｔ３を有するように設定され、…第ｎの時間間隔は、開始点Ｔｎ＋１を有するように設定される。さらに、推論サイクル及び時間間隔のうちのいくつかは共通の開始点を共有してもよい。例えば、推論サイクルは、開始点Ｔａを有するように設定され、第１及び第２の時間間隔は、開始点Ｔｂを有するように設定され、第３及び第４の時間間隔は、開始点Ｔｃを有するように設定される。追加として、推論サイクル及び時間間隔についての非アクティブ化オペレーションは類似である。要約すると、推論サイクル及び時間間隔のうちのいずれも別々に開始及び停止してもよい。こうして、より柔軟な設定が実現される。
【0133】
いくつかの他の実施形態において、該少なくとも１つの設定は、該第１の時間間隔と該第２の時間間隔とのいずれかに関連付けてもよい異なる設定を含んでもよい。例えば、第１の時間間隔及び第２の時間間隔において、複数のリンクされた設定を用いてもよい。追加として、該少なくとも１つの設定のリンクは、複数の設定をペアリングすることにより明示的に設定されてもよく、設定のＩＤを関連付けることにより暗黙的に設定されてもよい。具体的には、該少なくとも１つの設定は、報告設定、測定設定、ＲＳ設定、送信設定などであってもよい。
【0134】
さらに、異なる設定の各々は、１セットの関連パラメータを含んでもよく、該１セットの関連パラメータは、特定の機能／ユースケースについて定義されてもよく、異なるセット内のパラメータが異なってもよい。
【0135】
いくつかの他の実施形態において、該少なくとも１つの設定は、ＭＬモデルに対応する測定結果を得るために使用される第１の設定（「ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１」として表される）と、ＭＬモデルにより生成された推論結果を得るために使用される第２の設定（「ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２」と称される）とを含む。さらに、いくつかの実施形態において、第１の設定は、いずれのＭＬモデルとも関係がなく、例えば、第１の設定は、通常／従来の測定設定である。
【0136】
ＣＳＩ圧縮及び回復の機能／ユースケースについては、該少なくとも１つの設定は、ＣＳＩ報告の報告量、ＣＳＩ報告の設定されるビット数などを含んでもよい。例えば、第１の設定は、第１のＣＳＩ、圧縮ＣＳＩについての設定されるビット数ＭとしてのＣＳＩ報告セットの量などを含んでもよく、設定され、第２の設定は、第２のＣＳＩ、圧縮ＣＳＩについての設定されるビット数ＮとしてのＣＳＩ報告セットの量などを含んでもよい。さらに、いくつかの実施形態において、第１の設定内の設定されるビット数Ｍが、第２の設定内の設定されるビット数Ｎよりも大きい。代替として又は追加として、第１の設定は、第１のＣＳＩと、高分解能ＣＳＩ、タイプＩ ＣＳＩ、タイプＩＩ ＣＳＩ、ランクインジケータ（ＲＩ：ｒａｎｋ ｉｎｄｉｃａｔｏｒ）、プリコーディングマトリクスインジケータ（ＰＭＩ：ｐｒｅｃｏｄｉｎｇ ｍａｔｒｉｘ ｉｎｄｉｃａｔｏｒ）、ＣＱＩ、層インジケータ（ＬＩ：ｌａｙｅｒ ｉｎｄｉｃａｔｏｒ）、のうちの少なくとも１つとしてのＣＳＩ報告セットの量と、などを含んでもよい。
【0137】
代替として、ビーム管理の機能／ユースケースについては、該少なくとも１つの設定は、ビーム選択用のリソースセット、ビーム測定及び報告の周期などを含んでもよい。例えば、第１の設定は、ビーム選択用の第１のリソースセット、ビーム管理ＲＳの周期、報告周期などを含み、第２の設定は、ビーム選択用の第２のセットなどを含んでもよい。さらに、いくつかの実施形態において、第１の設定に含まれるビーム選択用の第１のセットは、第２の設定に含まれるビーム選択用の第２のセットに含まれるリソースよりも多くのリソースを含む。
【0138】
代替として、低オーバーヘッドＲＳの機能／ユースケースについては、該少なくとも１つの設定は、ＲＳパターン、周波数密度、周期、アンテナポート数、送信電力又はリソース要素ごとのエネルギー（ＥＰＲＥ）などを含んでもよい。例えば、第１の設定は、第１のＲＳパターンを有する第１のＲＳ、第１の周波数密度を有する第１のＲＳ、第１の周期、第１のアンテナポート数などを含んでもよく、第２の設定は、第２のＲＳパターンを有する第２のＲＳ、第２の周波数密度を有する第２のＲＳ、第２の周期、第２のアンテナポート数などを含んでもよい。さらに、いくつかの実施形態において、第１の設定の第１の周波数密度が第２の設定の第２の周波数密度よりも大きく、第１の周期が第２の周期よりも小さく、第１のアンテナポート数が第２のアンテナポート数よりも大きい。
【0139】
１つの特定の例示的な実施形態において、第１の装置２１０と第２の装置２２０とのいずれかは、少なくとも第１の時間間隔中に第１の設定と第２の設定との両方を適用する一方で、少なくとも１つの第１の時間間隔を超えて（例えば、第２の時間間隔内に）第２の設定を適用してもよい。即ち、第１の時間間隔中に、第１の装置２１０及び／又は第２の装置２２０は、第１の設定に従ってより多くの測定及び報告を実行する必要がある。
【0140】
次に、該少なくとも１つの設定を適用してもよい。即ち、推論及び誤差検出を実行してもよい。図４に示すように、第１の装置２１０及び第２の装置２２０は、それぞれ、該少なくとも１つの設定を適用する（４４０－１及び４４０－２）。
【0141】
いくつかの実施形態において、該少なくとも１つの設定は、上述したように該少なくとも１つの設定により示される開始点に従って適用されてもよい。代替として、いくつかの他の実施形態において、該少なくとも１つの設定は、特定のオペレーションに応じて、決定された開始点から適用されてもよい。１つの特定の例示的な実施形態において、開始点は、ＭＬモデル配信の受信を肯定応答する時点であってもよく、開始オフセットは、特定の値（例えば、第１の時間間隔の第１の長さ、Ｘ１）であってもよい。具体的には、第１の装置２１０は、ＭＬモデル配信の受信についてのＡＣＫを送信した後の一定期間（例えば、第１の時間間隔の長さ）だけ、該少なくとも１つの設定を適用する。別の具体的な実施形態において、開始点は、ＭＬモデルの検証に関する情報を送受信する時点であってもよく、開始オフセットは、特定の値であってもよい。別の特定の例示的な実施形態において、第２の装置２２０は、トリガメッセージを第１の装置２１０に送信してもよい。第１の装置２１０は、トリガメッセージを受信した後の一定期間だけ、該少なくとも１つの設定を適用してもよい。
【0142】
よりよく理解するために、以下では、上記の第１の設定と第２の設定とを含む該少なくとも１つの設定を適用するための１つの特定の例示的な実施形態について説明する。
【0143】
第２の時間間隔中に、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２がアクティブ化されている。第１の装置２１０と第２の装置２２０との両方は、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２及び／又はｃｏｎｆｉｇｕｒａｔｉｏｎ＿２に基づいて得られた推論結果に応じて送受信を実行する。ＣＳＩ圧縮及び回復の機能／ユースケースについては、第１の装置２１０と第２の装置２２０とは、第２の装置２２０に対応する圧縮バージョンのＣＳＩを交換する。追加として、第１の装置又は第２の装置は、回復されたバージョンのＣＳＩを採用する。代替として、ビーム管理の機能／ユースケースについては、第１の装置２１０と第２の装置２２０とは、第２のセットのベストビームに対応する推論されたベストビームを採用及び／又は交換する。代替として、低オーバーヘッドＲＳの機能／ユースケースについては、第１の装置２１０と第２の装置２２０とは、第２のＲＳを測定することにより得た結果に対応する推論されたチャネル推定結果を採用及び／又は交換する。
【0144】
第１の時間間隔中に、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１とｃｏｎｆｉｇｕｒａｔｉｏｎ＿２との両方がアクティブ化されている。第１の装置２１０及び第２の装置２２０は、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１及びｃｏｎｆｉｇｕｒａｔｉｏｎ＿２に従って送受信を行い、さらに、第１の装置２１０及び／又は第２の装置２２０は、以下の文章で説明される（ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１に基づいた）実際の測定結果及び（ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２に基づいた）ＭＬモデル推論結果に従って検証プロシージャを実行する。
【0145】
代替として、第１の時間間隔中に、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１がアクティブ化され、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２が非アクティブされている。第１の装置２１０と第２の装置２２０との両方は、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１及び／又はｃｏｎｆｉｇｕｒａｔｉｏｎ＿１に基づいて得られた測定結果に応じて送受信を実行する。
【0146】
さらに、電力を削減するために、第１の装置２１０は、いくつかの省電力モード、例えば、不連続受信（ＤＲＸ）モードで動作してもよい。本開示の例示的な実施形態のうちのいくつかに従って、以下に説明するように、省電力モードについての、いくつかのさらなる改良が提案される。
【0147】
第１の時間間隔において、電力消費及び複雑さがより高く、これにより、第１の時間間隔は、ＤＲＸの非アクティブな期間（即ち、非ＤＲＸ ＯＮ時間間隔）内に設定されるのに適さなくなる。そのため、いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、推論サイクルは、ＤＲＸモードのＤＲＸサイクルに揃えられる。また、いくつかの実施形態において、第１の時間間隔は、ＤＲＸ ＯＮ時間間隔に揃えられる。いくつかの実施形態において、第２の装置２２０は、それぞれ、ＤＲＸモード及びＭＬモデルについて、揃えられた設定を生成してもよい。
【0148】
代替として、第１の装置２１０がＤＲＸモードで動作する場合、推論結果と測定結果とは、ＤＲＸモードのＤＲＸサイクルのアクティブ時間間隔中のみ取得可能であってもよい。即ち、第１の装置２１０は、ＤＲＸ ＯＮ時間間隔と設定された少なくとも１つの第１の時間間隔との共通部分においてのみ検証を実行する。したがって、第１の装置２１０がＤＲＸモードで動作する場合、ＤＲＸサイクルの非アクティブ時間間隔中、第１の時間間隔はスキップされる。
【0149】
オプションとして、いくつかの実施形態において、複数のＭＬモデルがそれぞれの装置により適用される場合、当該複数のＭＬモデルからＭＬモデルを選択するために、初期の検証プロシージャが実行されてもよい。図５Ａ及び５Ｂの特定の例示的な実施形態において、初期検証プロシージャは、図５Ａに示すような第１の時間間隔５１０－１及び図５Ｂに示すような検証時間間隔５３０の期間中に実行されてもよい。
【0150】
１つの特定の例示的な実施形態において、複数のＭＬモデルが第１の装置２１０に設定されている場合、第１の装置２１０は、複数のＭＬモデルから１つのＭＬモデルを選択し、選択したＭＬモデルを示す第１のメッセージを第２の装置２２０に送信してもよい。同様に、複数のＭＬモデルが第２の装置２２０に設定されている場合、第２の装置２２０も、複数のＭＬモデルからＭＬモデルを選択し、選択したＭＬモデルを示すメッセージを第１の装置２１０に送信してもよい。
【0151】
さらに、該少なくとも設定を適用する場合、第１の装置２１０と第２の装置２２０とのいずれかが、測定結果及び／又は推論結果を自ら生成し、測定結果及び／又は推論結果を交換してもよい。追加として、第１の装置２１０と第２の装置２２０とのいずれかは、ＭＬモデルの推論状態を決定してもよい。いくつかの実施形態によれば、ＭＬモデルの推論状態が決定され互いに揃えられることができるように、関連情報は装置間で交換されてもよい。
【0152】
図４に示すように、第１の装置２１０と第２の装置２２０とは、関連情報を交換する。以下の文章では、いくつかの例示定な交換プロシージャについて説明する。
【0153】
以下の交換プロシージャのうちのいずれもオプションであり、以下に示されるプロシージャは、独立して、又は任意の適切な組み合わせで実行されてもよい。例えば、第１の装置２１０が実際の測定結果を第２の装置２２０に送信する場合、第２の装置２２０は必ずしも実際の測定結果を第１の装置２１０に送信するとは限らないようにしてもよい。同様に、ＭＬモデルの推論誤差が生じたか否かを示す第１の指示を第１の装置２１０が第２の装置２２０に送信する場合、第２の装置２２０は必ずしも対応する第２の指示を第１の装置２１０に送信するとは限らないようにしてもよい。
【0154】
一言で言えば、実際の交換プロシージャは、要求に応じて、且つ、特定の応用シナリオに従って実行されてもよい。本開示は、この点において限定されない。
【0155】
例えば、第１の時間間隔中に、第１の装置２１０は、ＭＬモデルにより生成された第１の推論結果と、ＭＬモデルに対応する第１の測定結果（即ち、実際の測定結果）とを取得し、第１の推論結果と第１の測定結果とを第２の装置２２０に送信する。
【0156】
代替として又は追加として、いくつかの実施形態において、第１の装置２１０は、第１の推論結果と第１の測定結果との第１の差を第２の装置２２０に送信してもよい。
【0157】
代替として又は追加として、いくつかの実施形態において、第１の装置２１０は、（以下で説明されるように）ＭＬモデルの推論状態を決定し、ＭＬモデルの推論誤差が生じたか否かを示す第１の指示を第２の装置２２０に送信してもよい。
【0158】
追加として、第１の装置２１０は、１つ又は複数のメッセージ（第２のメッセージと称される）を用いて上記情報を搬送してもよい。いくつかの実施形態において、第２のメッセージは、第２のメッセージを送信するための原因を含んでもよい。１つの例示的な原因は、ＭＬモデル推論誤差である。他の例示的な原因は、電池切れ、ＭＬ計算能力切れなどを含むが、これらに限定されない。
【0159】
いくつかの実施形態において、第２のメッセージは周期的に送信される。代替として、いくつかの実施形態において、第２のメッセージは、ＭＬモデルの推論誤差を検出したことに応じてのみ送信される。
【0160】
それに応じて、第１の装置２１０は、第２の装置２２０から関連情報を受信してもよい。
【0161】
いくつかの実施形態において、第１の装置２１０は、第２の装置２２０においてＭＬモデルにより生成された第２の推論結果と、第２の装置２２０により測定された、ＭＬモデルに対応する第２の測定結果とを受信する。
【0162】
代替として又は追加として、いくつかの実施形態において、第１の装置２１０は、第２の推論結果と第２の測定結果との第２の差を第２の装置２２０から受信してもよい。
【0163】
第１の装置２１０と同様に、第２の装置２２０は、（以下に説明されるように）ＭＬモデルの推論状態を決定してもよい。この場合、第１の装置２１０は、第２の装置２２０から、ＭＬモデルの推論誤差が生じたか否かを示す第２の指示を受信してもよい。
【0164】
追加として、第２の装置２２０は、１つ又は複数のメッセージ（第４のメッセージと称される）を用いて上記情報を搬送してもよい。いくつかの実施形態において、第４のメッセージは、第４のメッセージを送信するための原因を含んでもよい。
【0165】
いくつかの実施形態において、第４のメッセージは周期的に送信される。代替として、いくつかの実施形態において、第４のメッセージは、ＭＬモデルの推論誤差を検出したことに応じてのみ送信される。
【0166】
上記情報により、第１の装置２１０又は第２の装置２２０のいずれかが、ＭＬモデルの推論誤差が生じたか否かを決定（即ち、検証プロシージャを実行）してもよい。
【0167】
いくつかの実施形態において、第１の装置２１０は、（第１の装置２１０と第２の装置２２０とのいずれかにおいてＭＬモデルにより生成された）推論結果と、（第１の装置２１０と第２の装置２２０とのいずれかにより測定された）ＭＬモデルに対応する測定結果とに基づいて推論状態を決定してもよい。
【0168】
代替として又は追加として、いくつかの実施形態において、第１の装置２１０は、推論結果と測定結果との差に基づいて推論状態を決定してもよい。いくつかの実施形態において、検証プロシージャは、推論結果と測定結果との差が、ＭＬモデル推論誤差について定義された条件を満たすか否かに基づいて実行されてもよい。
【0169】
異なるユースケースについての詳細な条件が異なってもよいことを、理解すべきである。ＣＳＩ圧縮及び回復の機能／ユースケースについては、条件は、回復されたＣＳＩと第１のＣＳＩとの間の平均二乗誤差（ＭＳＥ：ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ）閾値であってもよい。ビーム管理の機能／ユースケースについては、条件は、第２のセットに基づく推論されたビームと第１のセットのベストビームとの間のＬ１－ＲＳＲＰが閾値例えば３ｄＢよりも小さいことの確率であってもよい。低オーバーヘッドＲＳの機能／ユースケースについては、第２のＲＳの測定から推論されたチャネルと、第１のＲＳの測定から推論されたチャネルとの間のＭＳＥ閾値である。
【0170】
いくつかの実施形態において、検証プロシージャは、一度の比較ではなく、検証時間間隔全体又は検証時間間隔内のスライディングウィンドウに亘る統計データ（平均値、フィルタ値など）に基づいて実行される。
【0171】
代替として又は追加として、いくつかの実施形態において、第１の装置２１０は、第２の装置２２０から受信した、ＭＬモデルの推論誤差が生じたか否かを示す第２の指示に基づいて、推論状態を直接決定してもよい。
【0172】
同様のオペレーションは第２の装置２２０により行われてもよい。具体的には、いくつかの実施形態において、第２の装置２２０は、（第１の装置２１０と第２の装置２２０とのいずれかにおいてＭＬモデルにより生成された）推論結果と、（第１の装置２１０と第２の装置２２０とのいずれかにより測定された）ＭＬモデルに対応する測定結果とに基づいて推論状態を決定してもよい。
【0173】
代替として又は追加として、いくつかの実施形態において、第２の装置２２０はまた、推論結果と測定結果との差に基づいて推論状態を決定してもよい。
【0174】
代替として又は追加として、いくつかの実施形態において、第２の装置２２０はまた、第１の装置２１０から受信した、ＭＬモデルの推論誤差が生じたか否かを示す第１の指示に基づいて、推論状態を直接決定してもよい。
【0175】
上記プロシージャによれば、第１の装置２１０又は第２の装置２２０のいずれかが、推論誤差が生じたか否かを決定してもよい。そのため、本開示のいくつかの実施形態によれば、ＭＬモデルの推論結果と測定結果とを比較することによりＭＬモデルの性能を監視するサポートを提供することで、推論誤差にうまく対処することができる。
【0176】
いくつかの実施形態において、前記ＭＬモデルの推論誤差が生じたと前記第１の装置２１０／又は第２の装置２２０が決定した場合、前記第１の装置２１０／又は第２の装置２２０は、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる前記推論結果の生成を無効化する。換言すれば、推論誤差が検出された場合、ＭＬモデルの推論サイクルを停止する。一実施形態において、推論結果の生成を無効化することは、第１の時間間隔を停止するか、又は第１の時間間隔を維持するためのタイマを「０」又は満了にセットすることによって実現される。別の実施形態において、推論結果の生成を無効化することは、推論サイクルを維持するためのタイマを「０」又は満了にセットすることにより実現される。追加として、ＭＬモードの更新完了の前に、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿１がアクティブ化され、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２が非アクティブ化される。
【0177】
次に、図６を参照する。図６に示すように、期間６１０において、第１の装置２１０／又は第２の装置２２０は、推論結果の生成を無効化する。追加として、期間６１０において、第１の装置２１０／又は第２の装置２２０は、事前受信した設定（例えば、上述したような第１の設定）に従って、従来の測定を実行してもよい。
【0178】
代替として又は追加として、第１の装置２１０と第２の装置２２０とは、推論誤差が生じたＭＬモデルを引き続き使用し、例えば、ｃｏｎｆｉｇｕｒａｔｉｏｎ＿２をアクティブ化してもよい。
【0179】
代替として又は追加として、第１の装置２１０／又は第２の装置２２０は、推論誤差の詳細を示すか、又は更新プロシージャを開始するために、いくつかの情報を交換してもよい。図４に示すように、第１の装置２１０と第２の装置２２０とは、ＭＬモデルを更新する（４５０－１及び４５０－２）。さらに、いくつかの情報が第１の装置２１０と第２の装置２２０との間で交換されてもよい（４５１）。
【0180】
いくつかの実施形態において、ＭＬモデルの推論誤差が生じたと第１の装置２１０が決定した場合、第１の装置２１０は、推論誤差が生じたＭＬモデルに関する情報を第２の装置２２０に送信してもよい。例えば、第１の装置２１０は、ＭＬモデルのインデックス／アイデンティティを含む第３のメッセージを第２の装置２２０に送信する。
【0181】
代替として又は追加として、いくつかの実施形態において、第１の装置２１０は、候補ＭＬモデルに関する情報を送信してもよい。例えば、第１の装置２１０は、複数のＭＬモデルを有するように設定され、現在適用されているＭＬモデルに推論誤差が生じたと決定し、第１の装置２１０は、他の設定されたＭＬモデルについて検証プロシージャを実行して、候補のＭＬモデルを選択してもよい。追加として、選択された候補ＭＬモデルは第２の装置２２０に通知されてもよい。
【0182】
候補ＭＬモデルを選択するための同様のオペレーションは第２の装置２２０により実行されてもよい。簡潔のために、ここでは同一又は類似の内容を省略する。
【0183】
さらに、候補ＭＬモデルを配信する必要がある場合、候補ＭＬモデルの配布は上述したＭＬ配布プロシージャに従って行われてもよい。例えば、候補ＭＬモデルは、特定のＲＮＴＩを介して配送されてもよい。代替として又は追加として、候補ＭＬモデルは、グループ共通送信とブロードキャストとのうちの１つを介して配信される。代替として又は追加として、候補ＭＬモデルは、特定の無線リソース設定、例えば、特定のＣＯＲＥＳＥＴ、又は特定の探索空間セットを介して監視される。代替として又は追加として、第１の装置２１０と第２の装置２２０との間の通信状況が事前設定された条件を満たした場合にのみ、候補ＭＬモデルが配信される。代替として又は追加として、候補ＭＬモデルは特定のスクランブリングＩＤで送信される。代替として又は追加として、候補ＭＬモデルは、特定のＲＲＣメッセージ、特定のＭＡＣ ＣＥ ＬＣＩＤで送信される。代替として又は追加として、候補ＭＬモデルは、ＰＤＣＣＨ、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＤＣＣＨ、グループ共通ＰＤＣＣＨ、物理ダウンリンク共有チャネル（ＰＤＳＣＨ）、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＤＳＣＨ、グループ共通ＰＤＳＣＨ、ページングメッセージ、システム情報、ショートメッセージ、ＰＵＣＣＨ、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＵＣＣＨ、物理アップリンク共有チャネル（ＰＵＳＣＨ）、特定のＲＮＴＩ又は特定のスクランブリングＩＤによりスクランブルされたＰＵＳＣＨ、などのうちのいずれか又は組み合わせで送信される。
【0184】
追加として、候補ＭＬモデル自体が送信されてもよい。代替として、該１つ又は複数のＭＬモデルに関連付けられた少なくとも１つのパラメータ／情報、例えば、ＭＬモデルアーキテクチャ、アルゴリズム、ハイパーパラメータなどを用いて、候補ＭＬモデルを関連ネットワークに示してもよい。代替として、該１つ又は複数のＭＬモデルのインデックス／アイデンティティを用いて、候補ＭＬモデルを関連するネットワークに示してもよい。
【0185】
簡潔のために、候補ＭＬモデルの配布についてのより多くの詳細はここで省略される。
【0186】
上述したプロシージャにおいて、推論誤差は、少なくとも１つの第１の時間間隔を設定することにより検出される。以下の文章では、推論誤差を検出するためのいくつかの他の実施形態について説明する。説明を容易にするために、以下で説明される実施形態において、第１の装置２１０が端末装置として機能し、第２の装置２２０がネットワーク装置として機能する。
【0187】
オペレーションにおいて、第１の装置２１０と第２の装置２２０とは、オプションとして、能力関連情報と少なくとも１つの設定とを交換してもよい。これらのプロシージャは、該少なくとも１つの第１の時間間隔を設定する必要がないこと以外は、上述したものと類似である。さらに、いくつかの実施形態において、能力関連情報は、端末装置がイベントによりトリガされるＭＬモデル推論誤り報告をサポートするか否かに関する情報であってもよい。代替として又は追加として、いくつかの実施形態において、能力関連情報は、端末装置がそれらのイベントの詳細なサポートされる値をサポートするか否かに関する情報であってもよい。要約すると、イベントによりトリガされるＭＬモデル推論誤り報告に関連付けられたいずれの能力関連情報も、端末装置により示されてもよい。本開示は、この点において限定されない。
【0188】
いくつかの実施形態において、ＭＬモデル推論誤差イベント及びイベントによりトリガされる報告の構想が導入される。いくつかの実施形態において、第１の装置２１０は、ＭＬモデルの推論誤差を示す事前定義されたイベントであって、エアインターフェースに関する特定の機能について特別に定義された該事前定義されたイベントを検出する。具体的には、事前定義されたイベントは、ＭＬモデルの推論状態を反映し得る１つ又は複数の間接メトリックを介して定義されてもよい。この場合、第１の装置２１０は、実際の測定を行わず、実際の測定結果と推論結果とを比較することなく、推論誤差を検出してもよい。
【0189】
追加として、事前定義されたイベントは、異なる機能／ユースケースに応じて定義されてもよい。ＣＳＩ圧縮及び回復（又は低オーバーヘッドＣＳＩ－ＲＳ）の機能／ユースケースについては、事前定義されたイベントは、示されたＭＣＳが明らかに測定されたＣＳＩと異なる（これは、ＣＳＩの誤った圧縮及び／又は回復／予測を意味する）１つ又は複数のインスタンスを含んでもよい。
【0190】
１つの特定の例示的な実施形態において、事前定義されたイベントは、示されたＭＣＳと測定されたＣＱＩに従ってマッピングされたＭＣＳとの差が閾値を超えたことであってもよい。
【0191】
代替として、ビーム管理の機能／ユースケースについては、事前定義されたイベントは、適用されたビームの誤った選択を意味する、示されたビームが報告されたビームよりもはるかに悪いＬ１－ＲＳＲＰを有する１つ又は複数のインスタンスを含んでもよい。具体的には、ビーム管理中、示されたビームは、示された又はアクティブ化活性化された状態に関連付けられたＲＳ ＩＤにより表されてもよく、報告されたビームは、Ｌ１－ＲＳＲＰ又はＬ１－ＳＩＮＲ報告内で報告されたＲＳ ＩＤにより表されてもよい。１つの特定の例示的な実施形態において、事前定義されたイベントは、直近に示されたビームと直近に報告されたビームとのＬ１－ＲＳＲＰ差が閾値を超えたことであってもよい。
【0192】
代替として、低オーバーヘッドＤＭＲＳの機能／ユースケースについては、事前定義されたイベントは、失敗した復号化は低いＳＮＲではなくＤＭＲＳチャネル推定のＭＬモデル推論誤差によることを意味する、良好なチャネル条件にあるときに否定応答（ＮＡＣＫ）を受信した１つ又は複数のインスタンスを含んでもよい。１つの特定の例示的な実施形態において、事前定義されたイベントは、連続するＮＡＣＫ数が閾値を超えたが、示されたＭＣＳとＳＮＲに従ったマッピングＭＣＳとが閾値よりも小さいことであってもよい。
【0193】
代替として又は追加として、事前定義されたイベントは、ＭＣＳ－ＣＱＩマッピング関係、ＭＣＳ－ＳＮＲマッピング関係などに関連付けられてもよい。いくつかの実施形態において、ＭＣＳ－ＣＱＩマッピング関係、ＭＣＳ－ＳＮＲマッピング関係は、第２の装置２２０により第１の装置２１０に送信されてもよい。代替として、いくつかの他の実施形態において、ＭＣＳ－ＣＱＩマッピング関係、ＭＣＳ－ＳＮＲマッピング関係は、第１の装置２１０により第２の装置２２０に送信されてもよい。
【0194】
いくつかの実施形態において、第１の装置２１０は、タイマ又はカウンタを利用することにより、一定期間中の統計結果に基づいて、事前定義されたイベントを検出したと決定する。１つの特定の例示的な実施形態において、第１の装置２１０は、事前定義されたイベントが一定期間に亘って続いている場合に、該事前定義されたイベントを検出したと決定する。１つの特定の例示的な実施形態において、第１の装置２１０は、インスタンス数が閾値を超えた場合に、該事前定義されたイベントを検出したと決定する。
【0195】
第１の装置２１０が事前定義されたイベントを検出した場合、第１の装置２１０は、上述したように、推論誤差の詳細を示すいくつかの情報を送信するか、又は更新されたプロシージャを開始してもよい（簡潔のために、同一又は類似の内容の一部を省略する）。
【0196】
こうして、事前定義されるイベントを定義することにより、ＭＬモデルの推論誤差にうまく対処することができる。
方法例
方法例
【0197】
【0198】
ブロック７１０において、第１の装置２１０は、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を第２の装置２２０から受信する。
【0199】
ブロック７２０において、第１の装置２１０は該少なくとも１つの設定を適用する。
【0200】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0201】
いくつかの実施形態において、前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、を含む。
【0202】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、前記推論結果を得るために前記第１の装置２１０により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、を含む。
【0203】
いくつかの実施形態において、前記少なくとも１つの設定が、前記推論サイクルの周期、前記第１の時間間隔の第１の長さ、前記第２の時間間隔の第２の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0204】
いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、推論サイクルは、ＤＲＸモードのＤＲＸサイクルに揃えられる。
【0205】
いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、第１の装置２１０は、ＤＲＸモードのＤＲＸサイクルのアクティブ時間間隔中、第１の時間間隔内で推論結果と測定結果とを取得する。又は、第１の装置２１０は、ＤＲＸサイクルの非アクティブ時間間隔中、第１の時間間隔をスキップする。
【0206】
いくつかの実施形態において、第１の装置２１０は、複数のＭＬモデルが前記第１の装置２１０に設定されている場合、前記複数のＭＬモデルから１つのＭＬモデルを選択し、選択されたＭＬモデルを示す第１のメッセージを前記第２の装置２２０に送信する。
【0207】
いくつかの実施形態において、第１の装置２１０は、前記第２の装置２２０に、前記第１の装置２１０において前記ＭＬモデルにより生成された第１の推論結果、前記第１の装置２１０により測定された、前記ＭＬモデルに対応する第１の測定結果、前記第１の推論結果と前記第１の測定結果との第１の差、前記第１の装置２１０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は前記第２のメッセージを送信するための原因、のうちの少なくとも１つを示す第２のメッセージを送信する。
【0208】
代替として、いくつかの実施形態において、第２のメッセージは、周期的に、又はＭＬモデルの推論誤差を検出したことに応じてのみ送信される。
【0209】
いくつかの実施形態において、第１の装置２１０は、前記ＭＬモデルの推論誤差が生じた場合、前記第２の装置２２０に、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第３のメッセージを送信するための原因、のうちの少なくとも１つを示す第３のメッセージを送信する。
【0210】
いくつかの実施形態において、前記第１の装置２１０は、前記第２の装置２２０から、前記第２の装置２２０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、前記第２の装置２２０において前記ＭＬモデルにより生成された第２の推論結果、前記第２の装置２２０により測定された、前記ＭＬモデルに対応する第２の測定結果、前記第２の推論結果と前記第２の測定結果との第２の差、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第４のメッセージを送信するための原因、のうちの少なくとも１つを示す第４のメッセージを受信する。
【0211】
いくつかの実施形態において、第１の装置２１０は、前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置２２０とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、前記第１の装置と前記第２の装置２２０とのいずれかにより測定された、前記ＭＬモデルに対応する測定結果、前記推論結果と前記測定結果との差、又は前記第２の装置２２０から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、のうちの少なくとも１つに基づいて決定する。
【0212】
いくつかの実施形態において、前記ＭＬモデルの推論誤差が生じたと前記第１の装置２１０が決定した場合、前記第１の装置２１０は前記ＭＬモデルを候補ＭＬモデルに更新する。
【0213】
いくつかの実施形態において、前記ＭＬモデルの推論誤差が生じたと前記第１の装置２１０が決定した場合、前記第１の装置２１０は、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる前記推論結果の生成を無効化する。
【0214】
いくつかの実施形態において、第１の装置２１０は、特定のオペレーションに応じて、前記少なくとも１つの設定を、決定された開始点から適用するように設定されている。
【0215】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0216】
図８は本開示のいくつかの実施形態にかかる例示的な方法８００のフローチャートである。例えば、方法８００は、図２に示すような端末装置（例えば図２に示すような第１の装置２１０）において実現されることが可能である。
【0217】
ブロック８１０において、端末装置は、ＭＬモデルの推論誤差を示す事前定義されたイベントであって、エアインターフェースに関する特定の機能について特別に定義された該事前定義されたイベントを検出する。
【0218】
ブロック８２０において、端末装置は、ＭＬモデルを更新するための要求をネットワーク装置に送信する。
【0219】
いくつかの実施形態において、端末装置は、一定期間中の統計結果に基づいて、前記事前定義されたイベントを検出したと決定する。
【0220】
いくつかの実施形態において、前記要求は、前記端末装置により決定され、前記ＭＬモデルの推論誤差が生じたことを示す第３の指示、前記推論誤差が生じた前記ＭＬモデルに関する情報、又は候補ＭＬモデルに関する情報、のうちの少なくとも１つを示す。
【0221】
いくつかの実施形態において、前記事前定義されたイベントを検出したことに応じて、前記端末装置は、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる推論結果の生成を無効化する。
【0222】
【0223】
ブロック９１０において、第１の装置２１０は、第２の装置２２０から、ＲＮＴＩ、特定のＣＯＲＥＳＥＴ、特定の探索空間セット、又はグループ共通送信とブロードキャストとのうちの１つ、のうちの少なくとも１つを介して受信される１つ又は複数のＭＬモデルを受信する。
【0224】
いくつかの実施形態において、第１の装置２１０は、前記第２の装置２２０に、ＭＬモデルの推論誤差を検出することを前記第１の装置２１０がサポートするか否か、前記第１の装置２１０に設定されたＭＬモデルの数、前記第１の装置２１０によりサポートされるＭＬモデル連携レベルに関する情報、前記第１の装置２１０によりサポートされるＭＬモデルアーキテクチャに関する情報、又は前記第１の装置２１０によりサポートされるＭＬ機能に関する情報、のうちの少なくとも１つを示す、前記第１の装置２１０の能力関連情報を送信する。
【0225】
いくつかの実施形態において、第１の装置２１０は、前記第２の装置２２０から、前記１つ又は複数のＭＬモデルについての少なくとも１つの設定であって、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置２１０グループ、又は特定の機能、のうちの少なくとも１つに固有の前記少なくとも１つの設定を受信する。
【0226】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0227】
【0228】
ブロック１０１０において、第２の装置２２０は、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を生成する。
【0229】
ブロック１０２０において、第２の装置２２０は該少なくとも１つの設定を送信する。
【0230】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0231】
いくつかの実施形態において、前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、を含む。
【0232】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、前記推論結果を得るために前記第１の装置２１０により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、を含む。
【0233】
いくつかの実施形態において、前記少なくとも１つの設定が、前記推論サイクルの周期、前記第１の時間間隔の第１の長さ、前記第２の時間間隔の第２の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0234】
いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、推論サイクルは、ＤＲＸモードのＤＲＸサイクルに揃えられる。
【0235】
いくつかの実施形態において、第２の装置２２０は、複数のＭＬモデルを前記第１の装置２１０に送信し、前記第１の装置２１０から、前記複数のＭＬモデルから前記第１の装置２１０により選択されたＭＬモデルを示す第１のメッセージを受信する。
【0236】
いくつかの実施形態において、前記第２の装置２２０は、前記第１の装置２１０から、前記第１の装置２１０において前記ＭＬモデルにより生成された第１の推論結果、前記ＭＬモデルに対応する第１の測定結果、前記第１の推論結果と前記第１の測定結果との第１の差、前記第１の装置２１０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は前記第２のメッセージを送信するための原因、のうちの少なくとも１つを示す第２のメッセージを受信する。
【0237】
いくつかの実施形態において、前記第２の装置２２０は、前記第１の装置２１０から、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第３のメッセージを送信するための原因、のうちの少なくとも１つを示す第３のメッセージを受信する。
【0238】
いくつかの実施形態において、前記第２の装置２２０は、前記第１の装置２１０に、前記第２の装置２２０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、前記第２の装置２２０において前記ＭＬモデルにより生成された第２の推論結果、前記第２の装置２２０により測定された、前記ＭＬモデルに対応する第２の測定結果、前記第２の推論結果と前記第２の測定結果との第２の差、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第４のメッセージを送信するための原因、のうちの少なくとも１つを示す第４のメッセージを送信する。
【0239】
いくつかの実施形態において、第４のメッセージは、周期的に、又はＭＬモデルの推論誤差を検出したことに応じてのみ送信される。
【0240】
いくつかの実施形態において、第２の装置２２０は、前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置２２０とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、前記第１の装置と前記第２の装置２２０とのいずれかにより測定された、前記ＭＬモデルに対応する前記測定結果、前記推論結果と前記測定結果との差、又は前記第１の装置２１０から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、のうちの少なくとも１つに基づいて決定する。
【0241】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0242】
【0243】
ブロック１１１０において、第２の装置２２０は、第１の装置２１０に、ＲＮＴＩ、特定のＣＯＲＥＳＥＴ、特定の探索空間セット、又はグループ共通送信とブロードキャストとのうちの１つ、のうちの少なくとも１つを介して送信される１つ又は複数のＭＬモデルを送信する。
【0244】
いくつかの実施形態において、第２の装置２２０は、前記第１の装置２１０から、ＭＬモデルの推論誤差を検出することを前記第１の装置２１０がサポートするか否か、前記第１の装置２１０に設定されたＭＬモデルの数、前記第１の装置２１０によりサポートされるＭＬモデル連携レベルに関する情報、前記第１の装置２１０によりサポートされるＭＬモデルアーキテクチャに関する情報、又は前記第１の装置２１０によりサポートされるＭＬ機能に関する情報、のうちの少なくとも１つを示す、前記第１の装置２１０の能力関連情報を受信する。
【0245】
いくつかの実施形態において、第２の装置２２０は、前記第１第２の装置２２０に、前記１つ又は複数のＭＬモデルについての少なくとも１つの設定であって、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置２１０グループ、又は特定の機能、のうちの少なくとも１つに固有の前記少なくとも１つの設定を送信する。
【0246】
いくつかの実施形態において、第２の装置２２０は、第１の装置２１０と第２の装置２２０との間の通信状況が事前設定された条件を満たした場合、該１つ又は複数のＭＬモデルを送信する。
【0247】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
装置例
装置例
【0248】
いくつかの実施形態において、第１の装置２１０は回路を備え、前記回路は、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を第２の装置２２０から受信するように設定されている。前記少なくとも１つの設定を適用するように設定されている。
【0249】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0250】
いくつかの実施形態において、前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、を示す。
【0251】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、前記推論結果を得るために前記第１の装置２１０により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、を含む。
【0252】
いくつかの実施形態において、前記少なくとも１つの設定が、前記推論サイクルの周期、前記第１の時間間隔の第１の長さ、前記第２の時間間隔の第２の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0253】
いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、推論サイクルは、ＤＲＸモードのＤＲＸサイクルに揃えられる。
【0254】
いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、前記回路は、ＤＲＸモードのＤＲＸサイクルのアクティブ時間間隔中、第１の時間間隔内で推論結果と測定結果とを取得するように設定されている。又は、ＤＲＸサイクルの非アクティブ時間間隔中、第１の時間間隔をスキップするように設定されている。
【0255】
いくつかの実施形態において、前記回路はさらに、複数のＭＬモデルが前記第１の装置２１０に設定されている場合、前記複数のＭＬモデルから１つのＭＬモデルを選択し、選択されたＭＬモデルを示す第１のメッセージを前記第２の装置に送信するように設定されている。
【0256】
いくつかの実施形態において、前記回路はさらに、前記第２の装置２２０に、前記第１の装置２１０において前記ＭＬモデルにより生成された第１の推論結果、前記第１の装置２１０により測定された、前記ＭＬモデルに対応する第１の測定結果、前記第１の推論結果と前記第１の測定結果との第１の差、前記第１の装置２１０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は前記第２のメッセージを送信するための原因、のうちの少なくとも１つを示す第２のメッセージを送信するように設定されている。
【0257】
いくつかの実施形態において、第２のメッセージは、周期的に、又はＭＬモデルの推論誤差を検出したことに応じてのみ送信される。
【0258】
いくつかの実施形態において、前記回路はさらに、前記ＭＬモデルの推論誤差が生じた場合、前記第２の装置２２０に、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第３のメッセージを送信するための原因、のうちの少なくとも１つを示す第３のメッセージを送信するように設定されている。
【0259】
いくつかの実施形態において、前記回路はさらに、前記第２の装置２２０から、前記第２の装置２２０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、前記第２の装置２２０において前記ＭＬモデルにより生成された第２の推論結果、前記第２の装置２２０により測定された、前記ＭＬモデルに対応する第２の測定結果、前記第２の推論結果と前記第２の測定結果との第２の差、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第４のメッセージを送信するための原因、のうちの少なくとも１つを示す第４のメッセージを受信するように設定されている。
【0260】
いくつかの実施形態において、前記回路はさらに、前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置２２０とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、前記第１の装置と前記第２の装置２２０とのいずれかにより測定された、前記ＭＬモデルに対応する測定結果、前記推論結果と前記測定結果との差、又は前記第２の装置２２０から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、のうちの少なくとも１つに基づいて決定するように設定されている。
【0261】
いくつかの実施形態において、前記ＭＬモデルの推論誤差が生じたと前記第１の装置２１０が決定した場合、前記回路はさらに、前記ＭＬモデルを候補ＭＬモデルに更新するように設定されている。
【0262】
いくつかの実施形態において、前記ＭＬモデルの推論誤差が生じたと前記第１の装置２１０が決定した場合、前記回路はさらに、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる前記推論結果の生成を無効化するように設定されている。
【0263】
いくつかの実施形態において、前記回路はさらに、特定のオペレーションに応じて、前記少なくとも１つの設定を、決定された開始点から適用するように設定されている。
【0264】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0265】
いくつかの実施形態において、端末装置（例えば、図２に示されるような第１の装置２１０）は回路を備え、前記回路は、ＭＬモデルの推論誤差を示す事前定義されたイベントであって、エアインターフェースに関する特定の機能について特別に定義された該事前定義されたイベントを検出し、ＭＬモデルを更新するための要求をネットワーク装置に送信するように設定されている。
【0266】
いくつかの実施形態において、前記回路はさらに、一定期間中の統計結果に基づいて、前記事前定義されたイベントを検出したと決定するように設定されている。
【0267】
いくつかの実施形態において、前記要求は、前記端末装置により決定され、前記ＭＬモデルの推論誤差が生じたことを示す第３の指示、前記推論誤差が生じた前記ＭＬモデルに関する情報、又は候補ＭＬモデルに関する情報、のうちの少なくとも１つを示す。
【0268】
いくつかの実施形態において、前記事前定義されたイベントを検出したことに応じて、前記回路はさらに、前記ＭＬモデルの更新が完了するまで、前記ＭＬモデルによる推論結果の生成を無効化するように設定されている。
【0269】
第１の装置２１０は回路を備え、前記回路は、第２の装置２２０から、ＲＮＴＩ、特定のＣＯＲＥＳＥＴ、特定の探索空間セット、又はグループ共通送信とブロードキャストとのうちの１つ、のうちの少なくとも１つを介して受信される１つ又は複数のＭＬモデルを受信するように設定されている。
【0270】
いくつかの実施形態において、前記回路はさらに、前記第２の装置２２０に、ＭＬモデルの推論誤差を検出することを前記第１の装置２１０がサポートするか否か、前記第１の装置２１０に設定されたＭＬモデルの数、前記第１の装置２１０によりサポートされるＭＬモデル連携レベルに関する情報、前記第１の装置２１０によりサポートされるＭＬモデルアーキテクチャに関する情報、又は前記第１の装置２１０によりサポートされるＭＬ機能に関する情報、のうちの少なくとも１つを示す、前記第１の装置２１０の能力関連情報を送信するように設定されている。
【0271】
いくつかの実施形態において、前記回路はさらに、前記第２の装置２２０から、前記１つ又は複数のＭＬモデルについての少なくとも１つの設定であって、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置２１０グループ、又は特定の機能、のうちの少なくとも１つに固有の前記少なくとも１つの設定を受信するように設定されている。
【0272】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0273】
いくつかの実施形態において、第２の装置２２０は回路を備え、前記回路は、ＭＬモデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を生成し、前記少なくとも１つの設定を送信するように設定されている。
【0274】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0275】
いくつかの実施形態において、前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、を含む。
【0276】
いくつかの実施形態において、前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、前記推論結果を得るために前記第１の装置２１０により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、を含む。
【0277】
いくつかの実施形態において、前記少なくとも１つの設定が、前記推論サイクルの周期、前記第１の時間間隔の第１の長さ、前記第２の時間間隔の第２の長さ、又は前記少なくとも１つの設定を適用する開始点を決定するための情報、のうちの少なくとも１つを示す。
【0278】
いくつかの実施形態において、第１の装置２１０がＤＲＸモードで動作する場合、推論サイクルは、ＤＲＸモードのＤＲＸサイクルに揃えられる。
【0279】
いくつかの実施形態において、前記回路はさらに、複数のＭＬモデルを前記第１の装置２１０に送信し、前記第１の装置２１０から、前記複数のＭＬモデルから前記第１の装置２１０により選択されたＭＬモデルを示す第１のメッセージを受信するように設定されている。
【0280】
いくつかの実施形態において、前記回路はさらに、前記第１の装置２１０から、前記第１の装置２１０において前記ＭＬモデルにより生成された第１の推論結果、前記ＭＬモデルに対応する第１の測定結果、前記第１の推論結果と前記第１の測定結果との第１の差、前記第１の装置２１０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は前記第２のメッセージを送信するための原因、のうちの少なくとも１つを示す第２のメッセージを受信するように設定されている。
【0281】
いくつかの実施形態において、前記回路はさらに、前記第１の装置２１０から、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第３のメッセージを送信するための原因、のうちの少なくとも１つを示す第３のメッセージを受信するように設定されている。
【0282】
いくつかの実施形態において、前記回路はさらに、前記第１の装置２１０に、前記第２の装置２２０により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、前記第２の装置２２０において前記ＭＬモデルにより生成された第２の推論結果、前記第２の装置２２０により測定された、前記ＭＬモデルに対応する第２の測定結果、前記第２の推論結果と前記第２の測定結果との第２の差、前記推論誤差が生じた前記ＭＬモデルに関する情報、候補ＭＬモデルに関する情報、又は前記第４のメッセージを送信するための原因、のうちの少なくとも１つを示す第４のメッセージを送信するように設定されている。
【0283】
いくつかの実施形態において、第４のメッセージは、周期的に、又はＭＬモデルの推論誤差を検出したことに応じてのみ送信される。
【0284】
いくつかの実施形態において、前記回路はさらに、前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置２２０とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、前記第１の装置と前記第２の装置２２０とのいずれかにより測定された、前記ＭＬモデルに対応する前記測定結果、前記推論結果と前記測定結果との差、又は前記第１の装置２１０から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、のうちの少なくとも１つに基づいて決定するように設定されている。
【0285】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0286】
いくつかの実施形態において、第２の装置２２０は回路を備え、前記回路は、第１の装置２１０に、ＲＮＴＩ、特定のＣＯＲＥＳＥＴ、特定の探索空間セット、又はグループ共通送信とブロードキャストとのうちの１つ、のうちの少なくとも１つを介して送信される１つ又は複数のＭＬモデルを送信するように設定されている。
【0287】
いくつかの実施形態において、前記回路はさらに、前記第１の装置２１０から、ＭＬモデルの推論誤差を検出することを前記第１の装置２１０がサポートするか否か、前記第１の装置２１０に設定されたＭＬモデルの数、前記第１の装置２１０によりサポートされるＭＬモデル連携レベルに関する情報、前記第１の装置２１０によりサポートされるＭＬモデルアーキテクチャに関する情報、又は前記第１の装置２１０によりサポートされるＭＬ機能に関する情報、のうちの少なくとも１つを示す、前記第１の装置２１０の能力関連情報を受信するように設定されている。
【0288】
いくつかの実施形態において、前記回路はさらに、前記第１第２の装置２２０に、前記１つ又は複数のＭＬモデルについての少なくとも１つの設定であって、特定のセル、特定のセルグループ、特定の第１の装置２１０、特定の第１の装置２１０グループ、又は特定の機能、のうちの少なくとも１つに固有の前記少なくとも１つの設定を送信するように設定されている。
【0289】
いくつかの実施形態において、前記回路はさらに、第１の装置２１０と第２の装置２２０との間の通信状況が事前設定された条件を満たした場合、該１つ又は複数のＭＬモデルを送信するように設定されている。
【0290】
いくつかの実施形態において、第１の装置２１０は端末装置であり、第２の装置２２０はネットワーク装置又はＭＬ機能コントローラであり、ＭＬモデルはエアインターフェースのために使用されるＭＬモデルである。
【0291】
図１２は本開示の実施形態を実装するのに適した装置１２００の概略ブロック図である。装置１２００は、図２に示す第１の装置２１０及び第２の装置２２０の別の例示的な実施態様として考えられる。したがって、装置１２００は、第１の装置２１０及び第２の装置２２０において、或いはそれらの少なくとも一部として実現することができる。
【0292】
図示されるように、装置１２００は、プロセッサ１２１２と、プロセッサ１２１２に結合されたメモリ１２２０と、プロセッサ１２１２に結合された適切な送信機（ＴＸ）及び受信機（ＲＸ）１２４０と、ＴＸ／ＲＸ １２４０に結合された通信インターフェースとを備える。メモリ１２１２は、プログラム１２３０の少なくとも一部を記憶する。ＴＸ／ＲＸ １２４０は双方向通信に用いられる。ＴＸ／ＲＸ １２４０は、通信を容易にするために少なくとも１つのアンテナを有するが、本明細書に言及されたアクセスノードは、実際には複数のアンテナを有してもよい。通信インターフェースは、ｅＮＢ間の双方向通信のためのＸ２インターフェース、モビリティ管理エンティティ（ＭＭＥ）／サービングゲートウェイ（Ｓ－ＧＷ）とｅＮＢとの間の通信のためのＳ１インターフェース、ｅＮＢと中継ノード（ＲＮ）との間の通信のためのＵｎインターフェース、又はｅＮＢと端末装置との間の通信のためのＵｕインターフェースなど、他のネットワーク要素との通信に必要な任意のインターフェースを表してもよい。
【0293】
プログラム１２３０は、図２～図１１を参照して本明細書で説明したように、関連付けられるプロセッサ１２１２により実行された場合、装置１２００が本開示の実施形態に従って動作することを可能にするプログラム命令を含むと仮定される。本明細書の実施形態は、装置１２００のプロセッサ１２１２により実行可能なコンピュータソフトウェアにより、又はハードウェアにより、又はソフトウェアとハードウェアとの組み合わせにより実現されてもよい。プロセッサ１２１２は、本開示の様々な実施形態を実施するように設定されてもよい。さらに、プロセッサ１２１２とメモリ１２２０との組み合わせは、本開示の様々な実施形態を実現するのに適したプロセッシング手段１２５０を形成してもよい。
【0294】
メモリ１２２０は、ローカル技術ネットワークに適した任意のタイプであってもよく、また、非限定的な例として、非一時的なコンピュータ可読記憶媒体、半導体に基づくメモリ装置、磁気メモリ装置及びシステム、光学メモリ装置及びシステム、固定メモリ及びリムーバブルメモリなど、任意の適切なデータ記憶技術を使用して実現されてもよい。装置１２００内には１つのメモリ１２２０のみが示されているが、装置１２００内にはいくつかの物理的に異なるメモリモジュールが存在してもよい。プロセッサ１２１２は、ローカル技術ネットワークに適した任意のタイプであってもよく、非限定的な例として、汎用コンピュータ、専用コンピュータ、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）及びマルチコアプロセッサアーキテクチャに基づくプロセッサのうちの１つ又は複数を含んでもよい。装置１２００は、複数のプロセッサ、例えば、メインプロセッサを同期化するクロックに時間的に従属する特定用途向け集積回路チップを有してもよい。
【0295】
全体として、本開示の様々な実施形態は、ハードウェア又は専用回路、ソフトウェア、論理、又はそれらの任意の組み合わせで実現されてもよい。いくつかの態様は、ハードウェアで実現されてもよく、他の態様は、コントローラ、マイクロプロセッサ、又は他のコンピューティング装置により実行できるファームウェア又はソフトウェアで実現されてもよい。本開示の実施形態の様々な態様は、ブロック図、フローチャート又は他の何らかの絵画的表現を用いて図示及び説明されているが、本明細書に記載されたブロック、機器、システム、技術、又は方法は、非限定的な例として、ハードウェア、ソフトウェア、ファームウェア、専用回路又は論理、汎用ハードウェア又はコントローラ又は他のコンピューティング装置、又はそれらの何らかの組み合わせで実装されてもよいことを理解すべきである。
【0296】
本開示はまた、非一時的なコンピュータ可読記憶媒体上に有形的に記憶された少なくとも１つのコンピュータプログラム製品を提供する。コンピュータプログラム製品は、図７から図１１を参照して上述したプロセス又は方法を実行するために、対象の実プロセッサ又は仮想プロセッサ上の装置内で実行される、プログラムモジュールに含まれる命令などのコンピュータ実行可能な命令を含む。一般的には、プログラムモジュールには、特定のタスクを実行するか、又は特定の抽象データタイプを実現するルーチン、プログラム、ライブラリ、オブジェクト、クラス、コンポーネント、データ構造などが含まれる。様々な実施形態において、プログラムモジュールの機能は、必要に応じて、プログラムモジュール間で結合又は分割されてもよい。プログラムモジュールのマシンが実行可能な命令は、ローカル又は分散型装置内で実行されてもよい。分散型装置において、プログラムモジュールは、ローカル記憶媒体及びリモート記憶媒体内の両方に配置されていてもよい。
【0297】
本開示の方法を実行するためのプログラムコードは、１つ又は複数のプログラミング言語の任意の組み合わせで記述されてもよい。これらのプログラムコードは、汎用コンピュータ、専用コンピュータ、又は他のプログラマブルデータプロセッシング機器のプロセッサ又はコントローラに提供され、プロセッサ又はコントローラにより実行された場合、プログラムコードで、フローチャート及び／又はブロック図に指定された機能／動作を実現させる。プログラムコードは、完全にマシン上で、部分的にマシン上で、独立したソフトウェアパッケージとして、部分的にマシン上でかつ部分的にリモートマシン上で、又は完全にリモートマシン又はサーバ上で実行してもよい。
【0298】
上述のプログラムコードは、マシン可読媒体上で実装されてもよく、マシン可読媒体は、命令実行システム、機器、又は装置により利用されるか、又はそれらに関連するプログラムを含むか又は記憶することができる任意の有形媒体であってもよい。マシン可読媒体は、マシン可読信号媒体又はマシン可読記憶媒体であってもよい。マシン可読媒体は、電子、磁気、光学、電磁気、赤外線若しくは半導体のシステム、機器若しくは装置、又は前述の媒体の任意の適切な組み合せを含んでもよいが、これらに限定されない。マシン可読記憶媒体のより具体的な例は、１つ又は複数のワイヤを有する電気接続、ポータブルコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリーメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）、光学的記憶装置、磁気記憶装置、又は上述の任意の適切な組み合わせを含んでもよい。
【0299】
なお、動作について特定の順序で説明を行ったが、所望の結果を得るために、こうした動作を、示された特定の順序で実行するか若しくは連続する順序で実行し、又は、説明された全ての動作を実行することが求められる、と理解されるべきではない。場合によっては、マルチタスク及び並列処理が有利になることもある。同様に、いくつかの特定の実装の詳細が上記の議論に含まれているが、これらは、本開示の範囲に対する限定として解釈されるべきではなく、特定の実施形態に固有となり得る特徴の説明として解釈されるべきである。個々の実施形態の文脈で説明されたいくつかの特徴は、単一の実施形態において組み合わされて実現されてもよい。逆に、単一の実施形態の文脈で説明された様々な特徴は、複数の実施形態において別々に、又は任意の適切なサブコンビネーションで実装されてもよい。
【0300】
本開示は、構造的特徴及び／又は方法論的動作に特有の言語で説明されてきたが、添付の特許請求の範囲において定義された本開示は、必ずしも上記の特定の特徴又は動作に限定されないことを理解すべきである。むしろ、上述した特定の特徴及び動作は、特許請求の範囲を実施する例示的な形態として開示されている。
【図1】
【図2】
【図3A】
【図3B】
【図3C】
【図4】
【図5A】
【図5B】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【手続補正書】
【提出日】2024-07-26
【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】
通信の方法であって、第１の装置において、第２の装置から、機械学習（ＭＬ（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ））モデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を受信することと、
前記少なくとも１つの設定を適用することと、
を含む方法。
【請求項2】
前記少なくとも１つの第１の時間間隔が周期的であり、前記少なくとも１つの設定が、前記少なくとも１つの第１の時間間隔の周期、
前記少なくとも１つの第１の時間間隔の各々の第１の長さ、又は
前記少なくとも１つの設定を適用する開始点を決定するための情報、
のうちの少なくとも１つを示す請求項１に記載の方法。
【請求項3】
前記少なくとも１つの設定は、前記ＭＬモデルに対応する前記測定結果を取得するための第１の設定と、
前記ＭＬモデルにより生成された前記推論結果を取得するための第２の設定と、
を示す請求項１に記載の方法。
【請求項4】
前記少なくとも１つの第１の時間間隔の各々は推論サイクルの一部であり、前記推論サイクルは、前記少なくとも１つの第１の時間間隔のうちの第１の時間間隔と、
前記推論結果を得るために前記第１の装置により使用され、前記推論サイクルにおいて前記第１の時間間隔の前又は後である第２の時間間隔と、
を含む請求項１に記載の方法。
【請求項5】
前記少なくとも１つの設定が、前記推論サイクルの周期、
前記第１の時間間隔の第１の長さ、
前記第２の時間間隔の第２の長さ、又は
前記少なくとも１つの設定を適用する開始点を決定するための情報、
のうちの少なくとも１つを示す請求項４に記載の方法。
【請求項6】
前記第１の装置が不連続受信（ＤＲＸ）モードで動作する場合、前記推論サイクルは、前記ＤＲＸモードのＤＲＸサイクルに揃えられる、請求項４に記載の方法。
【請求項7】
前記第１の装置が不連続受信（ＤＲＸ）モードで動作する場合、前記少なくとも１つの設定を適用することは、前記ＤＲＸモードのＤＲＸサイクルのアクティブ時間間隔中に、前記第１の時間間隔内に前記推論結果と前記測定結果とを得ること、又は
前記ＤＲＸサイクルの非アクティブ時間間隔中に、前記第１の時間間隔をスキップすること、
を含む請求項４に記載の方法。
【請求項8】
複数のＭＬモデルが前記第１の装置に設定されている場合、前記複数のＭＬモデルから１つのＭＬモデルを選択することと、選択されたＭＬモデルを示す第１のメッセージを前記第２の装置に送信することと、
をさらに含む請求項１に記載の方法。
【請求項9】
前記第２の装置に、前記第１の装置において前記ＭＬモデルにより生成された第１の推論結果、
前記第１の装置により測定された、前記ＭＬモデルに対応する第１の測定結果、
前記第１の推論結果と前記第１の測定結果との第１の差、
前記第１の装置により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第１の指示、又は
第２のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第２のメッセージを送信すること、
をさらに含む請求項１に記載の方法。
【請求項10】
前記第２のメッセージは、周期的に、又は前記ＭＬモデルの推論誤差を検出したことに応じてのみ送信される、請求項９に記載の方法。
【請求項11】
前記ＭＬモデルの推論誤差が生じた場合、前記第２の装置に、前記推論誤差が生じた前記ＭＬモデルに関する情報、
候補ＭＬモデルに関する情報、又は
第３のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第３のメッセージを送信すること、
をさらに含む請求項１に記載の方法。
【請求項12】
前記第２の装置から、前記第２の装置により決定され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、
前記第２の装置において前記ＭＬモデルにより生成された第２の推論結果、
前記第２の装置により測定された、前記ＭＬモデルに対応する第２の測定結果、
前記第２の推論結果と前記第２の測定結果との第２の差、
前記推論誤差が生じた前記ＭＬモデルに関する情報、
候補ＭＬモデルに関する情報、又は
第４のメッセージを送信するための原因、
のうちの少なくとも１つを示す前記第４のメッセージを受信すること、
をさらに含む請求項１に記載の方法。
【請求項13】
前記ＭＬモデルの推論誤差が生じたか否かを、前記第１の装置と前記第２の装置とのいずれかにおいて前記ＭＬモデルにより生成された推論結果、
前記第１の装置と前記第２の装置とのいずれかにより測定された、前記ＭＬモデルに対応する測定結果、
前記推論結果と前記測定結果との差、又は
前記第２の装置から受信され、前記ＭＬモデルの推論誤差が生じたか否かを示す第２の指示、
のうちの少なくとも１つに基づいて決定すること、
をさらに含む請求項１に記載の方法。
【請求項14】
通信の方法であって、第２の装置において、機械学習（ＭＬ（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ））モデルに関連付けられた少なくとも１つの設定であって、前記ＭＬモデルにより生成される推論結果と、前記ＭＬモデルに対応する測定結果との両方を得るための少なくとも１つの第１の時間間隔を示す前記少なくとも１つの設定を生成することと、
前記少なくとも１つの設定を送信することと、
を含む方法。
【請求項15】
プロセッサと、前記プロセッサに結合され命令を記憶しているメモリと、を備える通信の装置であって、前記命令が前記プロセッサにより実行された場合、請求項１～１４の何れか一項に記載の方法を実行する、
通信の装置。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】００３７
【補正方法】変更
【補正の内容】
【0037】
本明細書で使用されるように、用語「通信ネットワーク」は、Ｎｅｗ Ｒａｄｉｏ（ＮＲ）、ロングタームエボリューション（ＬＴＥ： Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ－Ａｄｖａｎｃｅｄ（ＬＴＥ－Ａ）、広帯域符号分割多元接続（ＷＣＤＭＡ（登録商標）：Ｗｉｄｅｂａｎｄ Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、高速パケットアクセス（ＨＳＰＡ：Ｈｉｇｈ－Ｓｐｅｅｄ Ｐａｃｋｅｔ Ａｃｃｅｓｓ）、狭帯域モノのインターネット（ＮＢ－ＩｏＴ：Ｎａｒｒｏｗ Ｂａｎｄ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）などのような、任意の適切な通信規格に準拠するネットワークを意味する。さらに、通信ネットワークにおける端末装置とネットワーク装置との間の通信は、第１世代（１Ｇ）、第２世代（２Ｇ）、２．５Ｇ、２．７５Ｇ、第３世代（３Ｇ）、第４世代（４Ｇ）、４．５Ｇ、第５世代（５Ｇ）、５．５Ｇ、５Ｇ－Ａｄｖａｎｃｅｄネットワーク又は第６世代（６Ｇ）通信プロトコル、及び／又は現在知られている、又は将来開発される任意の他のプロトコルを含むがこれらに限定されない任意の適切な世代の通信プロトコルに従って実現されてもよい。本開示の実施形態は、様々な通信システムに適用することが可能である。通信の急速な発展に鑑みて、本開示を具現化することができる将来のタイプの通信技術及びシステムも当然存在するであろう。これは、本開示の範囲を前述のシステムのみに限定するものとみなされるべきではない。
【手続補正4】
【補正対象書類名】明細書
【補正対象項目名】００４７
【補正方法】変更
【補正の内容】
【0047】
詳細なＡＩ／ＭＬアルゴリズムとモデルが実装に委ねること、ユーザデータのプライバシーを保護する必要があること、ＡＩ／ＭＬのサポートが既存のＲＡＮアーキテクチャを再利用すべきであり、新しいインターフェースを導入すべきでないことがＭＬ／ＡＩ技術を無線通信に適用するための原則に含まれることが合意されている。
【手続補正5】
【補正対象書類名】明細書
【補正対象項目名】００４８
【補正方法】変更
【補正の内容】
【0048】
今後の第３世代パートナーシッププロジェクト（３ＧＰＰ（登録商標））リリース１８（Ｒｅｌ－１８）では、いくつかの研究項目及び作業項目は、エアインターフェース用のＡＩ／ＭＬと次世代無線アクセスネットワーク（ＮＧ－ＲＡＮ）用のＡＩ／ＭＬに関する作業に焦点を当てる。
【手続補正6】
【補正対象書類名】明細書
【補正対象項目名】００６４
【補正方法】変更
【補正の内容】
【0064】
図２に示す装置の数及びそれらの接続は、説明の目的でのみ与えられ、いかなる限定も示唆しないことを、理解すべきである。通信環境２００は、本開示の実施形態を実施するのに適した任意の適切な数の装置を備えてもよい。また、図示されていないが、通信環境２００は、他のネットワーク要素、例えば、他のコアネットワーク装置、他のアプリケーションサーバなどを含んでもよいことを、理解すべきである。
【手続補正7】
【補正対象書類名】明細書
【補正対象項目名】００６６
【補正方法】変更
【補正の内容】
【0066】
通信環境２００における通信は、ロングタームエボリューション（ＬＴＥ）、ＬＴＥ－Ｅｖｏｌｕｔｉｏｎ、ＬＴＥ－Ａｄｖａｎｃｅｄ（ＬＴＥ－Ａ）、広帯域符号分割多元接続（ＷＣＤＭＡ（登録商標））、符号分割多元接続（ＣＤＭＡ）及びモバイル通信のためのグローバルシステム（ＧＳＭ）などを含むがこれらに限定されない、任意の適切な規格に準拠してもよい。さらに、通信は、現在知られている、又は将来開発される任意の世代の通信プロトコルに従って実行されてもよい。通信プロトコルの例は、第１世代（１Ｇ）、第２世代（２Ｇ）、２．５Ｇ、２．７５Ｇ、第３世代（３Ｇ）、第４世代（４Ｇ）、４．５Ｇ、第５世代（５Ｇ）、５．５Ｇ、５Ｇ－Ａｄｖａｎｃｅｄネットワーク、又は第６世代（６Ｇ）通信プロトコルを含むが、これらに限定されない。
【手続補正8】
【補正対象書類名】図面
【補正対象項目名】図５Ｂ
【補正方法】変更
【補正の内容】
【図5B】
【国際調査報告】