特表 2025-501292 モデルのためのデータ処理方法、及び装置

(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】2025-01-17

(54)【発明の名称】モデルのためのデータ処理方法、及び装置

(51)【国際特許分類】

   H04W 28/06 20090101AFI20250109BHJP

   G06N 20/00 20190101ALI20250109BHJP

【ＦＩ】

H04W28/06 110

G06N20/00

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024539843

(86)(22)【出願日】2022-12-30

(85)【翻訳文提出日】2024-08-09

(86)【国際出願番号】 CN2022144185

(87)【国際公開番号】W WO2023125985

(87)【国際公開日】2023-07-06

(31)【優先権主張番号】202111658528.4

(32)【優先日】2021-12-31

(33)【優先権主張国・地域又は機関】CN

(81)【指定国・地域】

(71)【出願人】

【識別番号】503433420

【氏名又は名称】華為技術有限公司

【氏名又は名称原語表記】ＨＵＡＷＥＩ ＴＥＣＨＮＯＬＯＧＩＥＳ ＣＯ．，ＬＴＤ．

【住所又は居所原語表記】Ｈｕａｗｅｉ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ Ｂｕｉｌｄｉｎｇ， Ｂａｎｔｉａｎ， Ｌｏｎｇｇａｎｇ Ｄｉｓｔｒｉｃｔ， Ｓｈｅｎｚｈｅｎ， Ｇｕａｎｇｄｏｎｇ ５１８１２９， Ｐ．Ｒ． Ｃｈｉｎａ

(74)【代理人】

【識別番号】110004381

【氏名又は名称】弁理士法人ＩＴＯＨ

(72)【発明者】

【氏名】チャイ，シヤオムオン

(72)【発明者】

【氏名】スゥン，イエン

(72)【発明者】

【氏名】ウー，イーチュイン

【テーマコード（参考）】

5K067

【Ｆターム（参考）】

5K067HH21

(57)【要約】

モデルのためのデータ処理方法及び装置が提供される。方法は、第１ノードがモデルのためのデータ処理方法を決定することと、第１ノードが、モデルのためのデータ処理方法に従って、次の、モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実行することとを含む。方法及び装置に基づいて、異なる無線リソース設定のための推論タスクは、モデルの訓練及び保持のためのオーバーヘッドが削減されるように、１つのモデルを使用することによって完了することができる。

【特許請求の範囲】

【請求項1】

モデルのためのデータ処理方法であって、
前記モデルのための前記データ処理方法を決定することと、
前記モデルのための前記データ処理方法に従って、次の、モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実施することと、を有し、
前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データパディング方法、又は前記モデルのための出力データトランケーション方法、のうちの少なくとも１つを有するか、あるいは、前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データトランケーション方法、又は前記モデルのための出力データパディング方法、のうちの少なくとも１つを有する、
方法。

【請求項2】

前記した、前記モデルのための前記データ処理方法を決定することは、
第１ノードから、前記モデルのための前記データ処理方法を指示する指示情報を受け取ることと、
プロトコルで定義されているように前記モデルのための前記データ処理方法を決定することと、を有する、
請求項１に記載の方法。

【請求項3】

前記入力データパディング方法又は前記出力データパディング方法は、次の、パディングされたデータの長さ、パディングデータタイプ、又はデータパディング規則、のうちの少なくとも１つを有する、
請求項１又は２に記載の方法。

【請求項4】

前記出力データトランケーション方法又は前記入力データトランケーション方法は、次の、トランケーション後のデータの長さ、又はデータトランケーション規則、のうちの少なくとも１つを有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項5】

前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
第２入力データを取得するよう、前記入力データパディング方法に従って第１入力データに対してデータパディングを実行することと、
前記第２入力データ及び前記モデルに基づき第１出力データを決定することと、
前記出力データトランケーション方法に従って前記第１出力データに対してデータトランケーションを実行することと、を有する、
請求項１乃至４のうちいずれか一項に記載の方法。

【請求項6】

前記モデルのための前記データ処理方法に従って前記モデル訓練を実行することは、
第２入力訓練データを取得するよう、前記入力データパディング方法に従って第１入力訓練データに対してデータパディングを実行することと、
前記第２入力訓練データ及び前記モデルに基づき第１出力訓練データを決定することと、
第２出力訓練データを取得するよう、前記出力データトランケーション方法に従って前記第１出力訓練データに対してデータトランケーションを実行することと、
前記第２出力訓練データに基づき前記モデルに対してパラメータ調整を実行することと、を有する、
請求項１乃至５のうちいずれか一項に記載の方法。

【請求項7】

前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
第２入力データを取得するよう、前記入力データトランケーション方法に従って第１入力データに対してデータトランケーションを実行することと、
前記第２入力データ及び前記モデルに基づき第１出力データを決定することと、
前記出力データパディング方法に従って前記第１出力データに対してデータパディングを実行することと、を有する、
請求項１乃至４のうちいずれか一項に記載の方法。

【請求項8】

前記モデルのための前記データ処理方法に従って前記モデル訓練を実行することは、
第２入力訓練データを取得するよう、前記入力データトランケーション方法に従って第１入力訓練データに対してデータトランケーションを実行することと、
前記第２入力訓練データ及び前記モデルに基づき第１出力訓練データを決定することと、
第２出力訓練データを取得するよう、前記出力データパディング方法に従って前記第１出力訓練データに対してデータパディングを実行することと、
前記第２出力訓練データに基づき前記モデルに対してパラメータ調整を実行することと、を有する、
請求項１乃至４又は請求項７のいずれか一項に記載の方法。

【請求項9】

前記モデルは第１サブモデルを有し、前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
前記第１サブモデルの第１出力データを決定することと、
前記出力データトランケーション方法に従って前記第１出力データに対してデータトランケーションを実行することと、を有する、
請求項１乃至４のうちいずれか一項に記載の方法。

【請求項10】

前記モデルは第２サブモデルを有し、前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
第２入力データを取得するよう、前記入力データパディング方法に従って第１入力データに対してデータパディングを実行することと、
前記第２入力データ及び前記第２サブモデルに基づき第１出力データを決定することと、を有する、
請求項１乃至４又は請求項９のうちいずれか一項に記載の方法。

【請求項11】

前記モデルは第１サブモデル及び第２サブモデルを有し、前記モデルのための前記データ処理方法に従って前記モデル訓練を実行することは、
前記第１サブモデルの入力訓練データ及び前記第１サブモデルに基づき前記第１サブモデルの第１出力訓練データを決定することと、
前記第２サブモデルの第１入力訓練データを取得するよう、前記出力データトランケーション方法に従って前記第１出力訓練データに対してデータトランケーションを実行することと、
第２入力訓練データを取得するよう、前記入力データパディング方法に従って前記第２サブモデルの前記第１入力訓練データに対してデータパディングを実行することと、
前記第２入力訓練データ及び前記第２サブモデルに基づき前記第２サブモデルの出力訓練データを決定することと、
前記第１サブモデルの前記入力訓練データ及び前記第２サブモデルの前記出力訓練データに基づき、次の、前記第１サブモデルのモデルパラメータ、又は前記第２サブモデルのモデルパラメータ、のうちの少なくとも１つを調整することと、を有する、
請求項１乃至４、請求項９、又は請求項１０のうちいずれか一項に記載の方法。

【請求項12】

モデルのためのデータ処理方法であって、
前記モデルのための前記データ処理方法を指示する指示情報を第２ノードへ送ることを有し、
前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データパディング方法、又は前記モデルのための出力データトランケーション方法、のうちの少なくとも１つを有するか、あるいは、前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データトランケーション方法、又は前記モデルのための出力データパディング方法、のうちの少なくとも１つを有する、
方法。

【請求項13】

前記入力データパディング方法又は前記出力データパディング方法は、次の、パディングされたデータの長さ、パディングデータタイプ、又はデータパディング規則、のうちの少なくとも１つを有する、
請求項１２に記載の方法。

【請求項14】

前記出力データトランケーション方法又は前記入力データトランケーション方法は、次の、トランケーション後のデータの長さ、又はデータトランケーション規則、のうちの少なくとも１つを有する、
請求項１２又は１３に記載の方法。

【請求項15】

請求項１乃至１１のうちいずれか一項に記載の方法を実施するよう構成されたユニットを有する通信装置。

【請求項16】

プロセッサ及びメモリを有し、
前記プロセッサは、前記メモリへ結合され、
前記プロセッサは、請求項１乃至１１のうちいずれか一項に記載の方法を実施するよう構成される、
通信装置。

【請求項17】

請求項１２乃至１４のうちいずれか一項に記載の方法を実施するよう構成されたユニットを有する通信装置。

【請求項18】

プロセッサ及びメモリを有し、
前記プロセッサは、前記メモリへ結合され、
前記プロセッサは、請求項１２乃至１４のうちいずれか一項に記載の方法を実施するよう構成される、
通信装置。

【請求項19】

請求項１５又は１６に記載の通信装置と、
請求項１７又は１８に記載の通信装置と
を有する通信システム。

【請求項20】

命令を記憶するコンピュータ可読記憶媒体であって、
前記命令がコンピュータで実行されると、前記コンピュータは、請求項１乃至１１のうちいずれか一項に記載の方法、又は請求項１２乃至１４のうちいずれか一項に記載の方法を実行することができる、
コンピュータ可読記憶媒体。

【請求項21】

命令を有し、
前記命令がコンピュータで実行されると、前記コンピュータは、請求項１乃至１１のうちいずれか一項に記載の方法、又は請求項１２乃至１４のうちいずれか一項に記載の方法を実行することができる、
コンピュータプログラム製品。

【発明の詳細な説明】

【技術分野】

【0001】

本願は、通信技術の分野に、特に、モデルのためのデータ処理方法及び装置に関係がある。

【背景技術】

【0002】

無線通信ネットワークでは、例えば、移動体通信網では、ネットワークによってサポートされるサービスがますます多様化しているので、満足される必要がある要求もますます多様化している。例えば、ネットワークは、超高速、超低遅延、及び／又は超大規模接続をサポートする能力を有する必要がある。この特徴は、ネットワーク計画、ネットワーク構成、及び／又はリソーススケジューリングをますます複雑にしている。その上、ネットワーク機能は、例えば、ますます高いスペクトルをサポートすること、並びに高次の多入力多出力（multiple-input multiple-output，ＭＩＭＯ）技術、ビームフォーミング、及び／又はビーム管理などの新しい技術をサポートすることは、ますます強力になっているので、ネットワークエネルギの節約は注目の研究テーマになっている。これらの新しい要求、新しいシナリオ、及び新しい特徴は、ネットワークの計画、運用、及び保守、並びに効率的な運用に前例のない課題をもたらす。この課題を満足するために、人工知能技術が、ネットワークインテリジェンスを実装するように、無線通信ネットワークに導入されることがある。これに基づき、ネットワークにおいて人工知能をいかに有効に実装するかは、研究する価値のある問題である。

【発明の概要】

【0003】

本願は、１つのモデルを使用することによって異なる無線リソース設定のための推論タスクを完了し、それによってモデルの訓練及び保持のためのオーバーヘッドを減らすように、モデルのためのデータ処理方法及び装置を提供する。

【0004】

第１の態様に従って、モデルのためのデータ処理方法が提供される。方法は第１ノードによって実行され、第１ノードはモデル訓練ノード、モデル推論ノード、などである。代替的に、方法は、第１ノードにおいて構成されているコンポーネント（プロセッサ、チップ、又は他のコンポーネント）によって実行されてもよく、あるいは、ソフトウェアモジュールなどによって実行されてもよい。方法は、モデルのためのデータ処理方法を決定することと、モデルのためのデータ処理方法に従って、次の、モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実施することと、を含む。

【0005】

任意に、モデルのためのデータ処理方法は、次の、モデルのための入力データパディング方法、又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の、モデルのための入力データトランケーション方法、又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0006】

上記の方法に従って、第１ノードがモデル推論ノードであるとき、モデル推論ノードは、データ処理方法に従って、同じモデルを使用することによって異なる無線リソース設定のための推論タスクを完了し得る。対応するモデルが無線リソース設定ごとに別々に設定される方法と比較して、この方法は、モデルの訓練及びモデルの保持のためのオーバーヘッドを減らすことができる。

【0007】

設計において、モデルのためのデータ処理方法を決定することは、第２ノードから、モデルのためのデータ処理方法を指示する指示情報を受け取ることを含む。第１ノードは第２ノードとは異なる。例えば、第１ノードはモデル推論ノード又はモデル訓練ノードであり、他のノード（例えば、第２ノード）から、モデルのためのデータ処理方法を指示する指示情報を受け取り得る。例えば、第２ノードはＯＡＭである。代替的に、第１ノードがモデル推論ノードであるとき、第２ノードはモデル訓練ノードであってよい。この場合に、モデル推論ノードは、モデル訓練ノードから指示情報などを受け取り得る。代替的に、モデルのためのデータ処理方法は、プロトコルで定義されるように決定される。

【0008】

上記の方法に従って、モデル訓練ノード又はモデル推論ノードは、プロトコルで定義されるようにモデルのためのデータ処理方法を取得し得る。代替的に、モデル訓練ノード又はモデル推論ノードは、他のノードから指示を受け取り、他のノードからの指示に基づきモデルのためのデータ処理方法などを決定する。モデル訓練ノード又はモデル推論ノードは、モデルのためのデータ処理方法を柔軟に決定し得る。

【0009】

設計において、入力データパディング方法又は出力データパディング方法は、次の、パディングされたデータの長さ、パディングデータタイプ、又はデータパディング規則、のうちの少なくとも１つを含む。

【0010】

設計において、出力データトランケーション方法又は入力データトランケーション方法は、次の、トランケーション後のデータの長さ、又はデータトランケーション規則、のうちの少なくとも１つを含む。

【0011】

設計において、モデルのためのデータ処理方法に従ってモデル推論を実行することは、第２入力データを取得するよう、入力データパディング方法に従って第１入力データに対してデータパディングを実行することと、第２入力データ及びモデルに基づき第１出力データを決定することと、出力データトランケーション方法に従って第１出力データに対してデータトランケーションを実行することと、を含む。

【0012】

モデル推論ノードが入力データにパディングし、出力データをトランケーションする上記の方法に従って、異なる無線リソース設定のための推論タスクは、モデルの訓練及び保持のためのオーバーヘッドが減るように、１つのモデルを使用することによって完了することができる。任意に、この設計では、モデルの入力長さは、全ての潜在的な無線リソース設定の中で最大の入力データ長さを持った入力データの長さよりも長いか又はそれに等しく、モデルの出力長さは、全ての潜在的な無線リソース設定の中で最大出力データ長さを持った出力データの長さよりも長いか又はそれに等しい。

【0013】

設計において、モデルのためのデータ処理方法に従ってモデル訓練を実行することは、第２入力訓練データを取得するよう、入力データパディング方法に従って第１入力訓練データに対してデータパディングを実行することと、第２入力訓練データ及びモデルに基づき第１出力訓練データを決定することと、第２出力訓練データを取得するよう、出力データトランケーション方法に従って第１出力訓練データに対してデータトランケーションを実行することと、第２出力訓練データに基づきモデルに対してパラメータ調整を実行することと、を含む。

【0014】

上記の方法に従って、モデル訓練プロセスでは、複数の無線リソース設定での訓練データが可能な限り収集され、各無線リソース設定での訓練データは、データ処理方法を使用することによって別々に処理され、ＡＩモデルは、ＡＩモデルが条件を満足するまで、処理された訓練データに基づき訓練され、この場合に、モデル訓練は終了する。モデル訓練プロセスにおける学習方法は限定されない。例えば、学習方法は、教師あり学習（ラベル学習）法、教師なし学習（非ラベル学習）法、又は強化学習法である。この方法を使用することによって訓練されたモデルは、様々な無線リソース設定での推論タスクを満足することができ、それによって、モデル訓練のためのオーバーヘッドを低減させる。

【0015】

設計において、モデルのためのデータ処理方法に従ってモデル推論を実行することは、第２入力データを取得するよう、入力データトランケーション方法に従って第１入力データに対してデータトランケーションを実行することと、第２入力データ及びモデルに基づき第１出力データを決定することと、出力データパディング方法に従って第１出力データに対してデータパディングを実行することと、を含む。

【0016】

モデル推論ノードが入力データをトランケーションし、出力データにパディングする上記の方法に従って、異なる無線リソース設定のための推論タスクは、モデルの訓練及び保持のためのオーバーヘッドが減るように、１つのモデルを使用することによって完了することができる。

【0017】

設計において、モデルのためのデータ処理方法に従ってモデル訓練を実行することは、第２入力訓練データを取得するよう、入力データトランケーション方法に従って第１入力訓練データに対してデータトランケーションを実行することと、第２入力訓練データ及びモデルに基づき第１出力訓練データを決定することと、第２出力訓練データを取得するよう、出力データパディング方法に従って第１出力訓練データに対してデータパディングを実行することと、第２出力訓練データに基づきモデルに対してパラメータ調整を実行することと、を含む。

【0018】

上記の設計に従って、モデル訓練プロセスでモデルパラメータを調整することは、ニューラルネットワーク要素の出力と理想的な目標値との間の差が可能な限り小さくなるように、次の、ニューラルネットワークのレイヤの数、ニューラルネットワークの幅、レイヤ間の接続関係、ニューロンの重み値、ニューロンの活性化関数、又は活性化関数内のオフセット、のうちの少なくとも１つを調整することを含む。

【0019】

設計において、モデルは第１サブモデルを含む。モデルのためのデータ処理方法に従ってモデル推論を実行することは、第１サブモデルの第１出力データを決定することと、出力データトランケーション方法に従って第１出力データに対してデータトランケーションを実行することと、を含む。

【0020】

設計において、モデルは第２サブモデルを含む。モデルのためのデータ処理方法に従ってモデル推論を実行することは、第２入力データを取得するよう、入力データパディング方法に従って第１入力データに対してデータパディングを実行することと、第２入力データ及び第２サブモデルに基づき第１出力データを決定することと、を含む。

【0021】

上記の方法に従って、ペアで使用される複数のタイプのサブモデルが同時に訓練され得る。例えば、第１サブモデルは端末側に配備されてよく、第２サブモデルは基地局側に配備されてよい。その上、第１サブモデルの出力データは、インターフェースオーバーヘッドが低減され得るように、トランケーションされる。

【0022】

設計において、モデルは第１サブモデル及び第２サブモデルを含む。モデルのためのデータ処理方法に従ってモデル訓練を実行することは、第１サブモデルの入力訓練データ及び第１サブモデルに基づき第１サブモデルの第１出力訓練データを決定することと、第２サブモデルの第１入力訓練データを取得するよう、出力データトランケーション方法に従って第１出力訓練データに対してデータトランケーションを実行することと、第２入力訓練データを取得するよう、入力データパディング方法に従って第２サブモデルの第１入力訓練データに対してデータパディングを実行することと、第２入力訓練データ及び第２サブモデルに基づき第２サブモデルの出力訓練データを決定することと、第１サブモデルの入力訓練データ及び第２サブモデルの出力訓練データに基づき、次の、第１サブモデルのモデルパラメータ、又は第２サブモデルのモデルパラメータ、のうちの少なくとも１つを調整することと、を含む。

【0023】

第２の態様に従って、モデルのためのデータ処理方法が提供される。方法は第１ノードによって実行され、第１ノードはモデル訓練ノード、モデル推論ノード、などである。代替的に、方法は、第１ノードにおいて構成されているコンポーネント（プロセッサ、チップ、又は他のコンポーネント）によって実行されてもよく、あるいは、ソフトウェアモジュールなどによって実行されてもよい。方法は、モデルのためのデータ処理方法を指示する指示情報を第２ノードへ送ることを含む。

【0024】

モデルのためのデータ処理方法は、次の、モデルのための入力データパディング方法、又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の、モデルのための入力データトランケーション方法、又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0025】

上記の方法に従って、例において、第１ノードはモデル訓練ノードである。モデル訓練ノードは、モデル訓練の間に使用されるデータ処理方式に基づきデータ処理方法を決定し、データ処理方法をモデル推論ノードに指示し得る。モデル推論を実行するとき、モデル推論ノードは、訓練中に使用されたのと同じようにデータを処理するので、モデル推論ノードは、モデルを正確に使用してモデル推論を実行することができ、それによって、モデル推論の出力結果の正確さ及び推論の速度を向上させる。

【0026】

設計において、入力データパディング方法又は出力データパディング方法は、次の、パディングされたデータの長さ、パディングデータタイプ、又はデータパディング規則、のうちの少なくとも１つを含む。

【0027】

設計において、出力データトランケーション方法又は入力データトランケーション方法は、次の、トランケーション後のデータの長さ、又はデータトランケーション規則、のうちの少なくとも１つを含む。

【0028】

第３の態様に従って、装置が提供される。有利な効果については、第１の態様の記載を参照されたい。装置は第１ノードであってよく、第１ノードはモデル訓練ノード又はモデル推論ノードであってよい。代替的に、装置は、第１ノードにおいて構成されている装置であるか、あるいは、第１ノードと一致して使用できる装置である。設計において、装置は、第１の態様で記載されている方法／操作／ステップ／動作と一対一の対応にあるユニットを含み得る。ユニットは、ハードウェア回路、ソフトウェア、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使用することによって実施されてよい。

【0029】

例えば、装置は処理ユニットを含んでもよく、処理ユニットは、第１の態様の任意の設計例における対応する機能を実行し得る。具体的に、それは次の通りである。

【0030】

処理ユニットは、モデルのためのデータ処理方法を決定し、モデルのためのデータ処理方法に従って、次の、モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実施するよう構成され、
モデルのためのデータ処理方法は、次の、モデルのための入力データパディング方法、又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の、モデルのための入力データトランケーション方法、又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0031】

処理ユニットの具体的な実行プロセスについては、第１の態様を参照されたい。詳細はここで再び記載されない。

【0032】

例えば、装置は、第１の態様で記載されている方法を実施するよう構成されたプロセッサを含む。装置は、命令及び／又はデータを記憶するよう構成されたメモリを更に含んでもよい。メモリはプロセッサへ結合される。プロセッサがメモリに記憶されているプログラム命令を実行すると、第１の態様で記載されている方法が実施され得る。可能な設計において、装置は、
プログラム命令を記憶するよう構成されたメモリと、
モデルのためのデータ処理方法を決定し、モデルのためのデータ処理方法に従って、次の、モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実施するよう構成されたプロセッサと、を含み、
モデルのためのデータ処理方法は、次の、モデルのための入力データパディング方法、又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の、モデルのための入力データトランケーション方法、又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0033】

プロセッサの具体的な実行プロセスについては、第１の態様の記載を参照されたい。詳細は再び記載されない。

【0034】

第４の態様に従って、装置が提供される。有利な効果については、第２の態様の記載を参照されたい。装置は第１ノードであってよく、第１ノードはモデル訓練ノードであってよい。代替的に、装置は、第１ノードにおいて構成されている装置であるか、あるいは、第１ノードと一致して使用できる装置などである。設計において、装置は、第２の態様で記載されている方法／操作／ステップ／動作と一対一の対応にあるユニットを含み得る。ユニットは、ハードウェア回路、ソフトウェア、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使用することによって実施されてよい。

【0035】

例えば、装置は通信ユニットを含んでもよく、通信ユニットは、第２の態様の任意の設計例における対応する機能を実行し得る。具体的に、それは次の通りである。

【0036】

通信ユニットは、モデルのためのデータ処理方法を指示する指示情報を第２ノードへ送るよう構成され、
モデルのためのデータ処理方法は、次の、モデルのための入力データパディング方法、又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の、モデルのための入力データトランケーション方法、又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0037】

通信ユニットの具体的な実行プロセスについては、第２の態様を参照されたい。詳細はここで再び記載されない。

【0038】

例えば、装置は、第１の態様で記載されている方法を実施するように通信インターフェースを制御するよう構成されたプロセッサを含む。装置は、命令及び／又はデータを記憶するよう構成されたメモリを更に含んでもよい。メモリはプロセッサへ結合される。プロセッサがメモリに記憶されているプログラム命令を実行すると、第２の態様で記載されている方法が実施され得る。可能な設計において、装置は、通信インターフェースを更に含んでもよく、通信インターフェースは、装置によって、他のデバイスと通信するために使用される。例えば、通信インターフェースは、トランシーバ、回路、バス、モジュール、ピン、又は他のタイプの通信インターフェースであってよく、他のデバイスはモデル推論ノードなどであってよい。可能な設計において、装置は、
プログラム命令を記憶するよう構成されたメモリと、
モデルのためのデータ処理方法を指示する指示情報を第２ノードへ送るように通信インターフェースを制御するよう構成されたプロセッサと、を含み、
モデルのためのデータ処理方法は、次の、モデルのための入力データパディング方法、又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の、モデルのための入力データトランケーション方法、又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0039】

通信インターフェース及びプロセッサの具体的な実行プロセスについては、第２の態様の記載を参照されたい。詳細は再び記載されない。

【0040】

第５の態様に従って、本願は、命令を含むコンピュータ可読記憶媒体を更に提供する。命令がコンピュータで実行されると、コンピュータは、第１の態様又は第２の態様における方法を実行することができる。

【0041】

第６の態様に従って、本願はチップシステムを更に提供する。チップシステムはプロセッサを含み、メモリを更に含んでもよく、第１の態様又は第２の態様における方法を実施するよう構成される。チップシステムはチップを含んでよく、あるいは、チップ及び他のディスクリート部品を含んでもよい。

【0042】

第７の態様に従って、本願は、命令を含むコンピュータプログラム製品を更に提供する。命令がコンピュータで実行されると、コンピュータは、第１の態様又は第２の態様における方法を実行することができる。

【0043】

第８の態様に従って、本願はシステムを更に提供する。システムは、第３の態様における装置と、第４の態様における装置とを含む。

【図面の簡単な説明】

【0044】

【図1】本願に係る通信システムの図である。

【図2】本願に係るＡＩモデルのデプロイの図である。

【図3】本願に係るＡＩモデルのデプロイの図である。

【図4a】本願に係る通信システムのアーキテクチャの図である。

【図4b】本願に係る通信システムのアーキテクチャの図である。

【図4c】本願に係る帯域幅ごとのＡＩモデルの訓練の図である。

【図5】本願に係るＡＩモデルの適用アーキテクチャの図である。

【図6】本願に係るニューロンの図である。

【図7】本願に係るニューロンネットワークの図である。

【図8】本願に係るモデルのためのデータ処理方法のフローチャートである。

【図9A】本願に係るモデルのためのデータ処理方法のフローチャートである。

【図9B】モデル訓練フェーズにおけるデータ処理プロセスを示す。

【図9C】モデル推論フェーズにおけるデータ処理プロセスを示す。

【図10】ｔｙｐｅ－１参照信号の図である。

【図11】ｔｙｐｅ－２参照信号の図である。

【図12】本願に係るＣＳＩフィードバックプロシージャの図である。

【図13】本願に係るＣＳＩフィードバックプロシージャにおけるデータ処理の図である。

【図14】本願に係るＴｒａｎｓｆｏｒｍｅｒモデルの図である。

【図15】本願に係る、原データをベクトルに分割する図である。

【図16】本願に係る、原データをベクトルに分割する図である。

【図17】本願に係る通信装置の構造の図である。

【図18】本願に係る通信装置の構造の図である。

【発明を実施するための形態】

【0045】

図１は、本願が適用される通信システム１０００のアーキテクチャの図である。図１に示されるように、通信システムは無線アクセスネットワーク１００及びコアネットワーク２００を含む。任意に、通信システム１０００はインターネット３００を更に含んでもよい。無線アクセスネットワーク１００は少なくとも１つのアクセスネットワークデバイス（例えば、図１の１１０ａ及び１１０ｂ）を含んでよく、更には少なくとも１つの端末（例えば、図１の１２０ａ～１２０ｊ）を含んでもよい。端末は無線方式でアクセスネットワークデバイスに接続され、アクセスネットワークデバイスは無線又は有線方式でコアネットワークに接続される。コアネットワークデバイス及びアクセスネットワークデバイスは、互いに独立している異なる物理デバイスであってよく、あるいは、コアネットワークデバイスの機能及びアクセスネットワークデバイスの論理機能は同じ物理デバイスに組み込まれてもよく、あるいは、コアネットワークデバイスの機能の一部及びアクセスネットワークデバイスの機能の一部は１つの物理デバイスに組み込まれてもよい。端末デバイスは有線又は無線方式で互いに接続されてよく、アクセスネットワークデバイスは有線又は無線方式で互いに接続されてよい。図１は単なる線図である。通信システムは他のネットワークデバイスを更に含んでもよく、例えば、無線リレーデバイス、無線バックホールデバイス、などを更に含んでもよいが、これらは図１に示されていない。

【0046】

アクセスネットワークデバイスは基地局（base station）、エボルブド・ノードＢ（evolved NodeB，ｅＮｏｄｅＢ）、送受信ポイント（transmission reception point，ＴＲＰ）、第５世代（5th generation，５Ｇ）移動体通信システムにおける次世代ノードＢ（next generation NodeB，ｇＮＢ）、オープン無線アクセスネットワーク（open radio access network，Ｏ－ＲＡＮ）におけるアクセスネットワークデバイス、第６世代（6th generation，６Ｇ）移動体通信システムにおける次世代基地局、将来の移動体通信システムにおける基地局、ワイヤレス・フィデリティ（wireless fidelity，Ｗｉ－Ｆｉ）システムにおけるアクセスノード、などであってよく、あるいは、モジュール又はユニットであってよく、例えば、基地局の機能の一部を実現する中央ユニット（central unit，ＣＵ）、分散ユニット（distributed unit，ＤＵ）、中央ユニット制御プレーン（CU control plane，ＣＵ－ＣＰ）モジュール、又は中央ユニットユーザプレーン（CU user plane，ＣＵ－ＵＰ）モジュールであってもよい。アクセスネットワークデバイスはマクロ基地局（例えば、図１の１１０ａ）であってよく、あるいは、ミクロ基地局又は屋内基地局（例えば、図１の１１０ｂ）であってよく、あるいは、リレーノード、ドナーノード、などであってもよい。アクセスネットワークデバイスによって使用される具体的な技術及び具体的なデバイス形態は、本願で限定されない。

【0047】

本願において、アクセスネットワークデバイスの機能を実装するよう構成される装置は、アクセスネットワークデバイスであってよく、あるいは、例えば、アクセスネットワークデバイスが機能を実装するのをサポートすることができる装置、例えば、チップシステム、ハードウェア回路、ソフトウェアモジュール、又はハードウェア回路とソフトウェアモジュールとの組み合わせであってよく、ここで、装置は、アクセスネットワークデバイスにインストールされてよく、あるいは、使用のためにアクセスネットワークデバイスと適合されてもよい。本願では、チップシステムはチップを含んでもよく、あるいは、チップ及び他のディスクリート部品を含んでもよい。記載を容易にするために、以下は、アクセスネットワークデバイスの機能を実装するよう構成される装置がアクセスネットワークデバイスであり、アクセスネットワークデバイスが基地局である例を使用することによって、本願で提供される技術的解決法を記載する。

【0048】

（１）プロトコルレイヤ構造

【0049】

アクセスネットワークデバイスと端末デバイスとの間の通信は、特定のプロトコルレイヤ構造に従う。プロトコルレイヤ構造は、制御プレーンプロトコルレイヤ構造及びユーザプレーンプロトコルレイヤ構造を含み得る。例えば、制御プレーンプロトコルレイヤ構造は、無線リソース制御（radio resource control，ＲＲＣ）レイヤ、パケットデータコンバージェンスプロトコル（packet data convergence protocol，ＰＤＣＰ）レイヤ、無線リンク制御（radio link control，ＲＬＣ）レイヤ、媒体アクセス制御（media access control，ＭＡＣ）レイヤ、及び物理レイヤなどのプロトコルレイヤの機能を含み得る。例えば、ユーザプレーンプロトコルレイヤ構造は、ＰＤＣＰレイヤ、ＲＬＣレイヤ、ＭＡＣレイヤ、及び物理レイヤなどのプロトコルレイヤの機能を含み得る。可能な実施において、サービスデータ適応プロトコル（service layer adaptation protocol，ＳＤＡＰ）レイヤがＰＤＣＰレイヤの上に更に含まれてもよい。

【0050】

任意に、アクセスネットワークデバイスと端末デバイスとの間のプロトコルレイヤ構造は、ＡＩ機能に関連したデータを伝送するよう構成される人工知能（artificial intelligence，ＡＩ）レイヤを更に含んでもよい。

【0051】

（２）中央ユニット（central unit，ＣＵ）及び分散ユニット（distributed unit，ＤＵ）

【0052】

アクセスデバイスはＣＵ及びＤＵを含み得る。複数のＤＵが中央集権方式で１つのＣＵによって制御され得る。例えば、ＣＵとＤＵとの間のインターフェースはＦ１インターフェースと呼ばれることがある。制御プレーン（control plane，ＣＰ）インターフェースはＦ１－Ｃであってよく、ユーザプレーン（user plane，ＵＰ）インターフェースはＦ１－Ｕであってよい。各インターフェースの具体的な名称は本願で限定されない。ＣＵ及びＤＵは、無線ネットワークのプロトコルレイヤに基づいた分割により取得され得る。例えば、ＰＤＣＰレイヤ及びＰＤＣＰレイヤの上のプロトコルレイヤの機能はＣＵでセットされ、ＰＤＣＰレイヤの下のプロトコルレイヤ（例えば、ＲＬＣレイヤ及びＭＡＣレイヤ）の機能はＤＵでセットされる。他の例として、ＰＤＣＰレイヤの上のプロトコルレイヤの機能はＣＵでセットされ、ＰＤＣＰレイヤ及びＰＤＣＰレイヤの下のプロトコルレイヤの機能はＤＵでセットされる。これは限定されない。

【0053】

プロトコルレイヤに基づいたＣＵ及びＤＵの処理機能の上記の分割は、一例にすぎず、ＣＵ及びＤＵの処理機能は、代替的に、他の様態で分割されてもよい。例えば、ＣＵ又はＤＵは、分割により、より多くのプロトコルレイヤの機能を備えてもよく、他の例として、ＣＵ又はＤＵは、代替的に、分割により、プロトコルレイヤの処理機能の一部を備えてもよい。設計において、ＲＬＣレイヤの機能の一部及びＲＬＣレイヤの上のプロトコルレイヤの機能はＣＵでセットされ、ＲＬＣレイヤの残りの機能及びＲＬＣレイヤの下のプロトコルレイヤの機能はＤＵでセットされる。他の設計では、ＣＵ又はＤＵの機能の分割は、代替的に、サービスタイプ又は他のシステム要件に基づき実行されてもよい。例えば、分割は遅延に基づき実行されてもよい。処理時間が遅延要件を満足する必要がある機能はＤＵでセットされ、処理時間が遅延要件を満足する必要がない機能はＣＵでセットされる。他の設計では、ＣＵは、代替的に、コアネットワークの１つ以上の機能を有してもよい。例えば、ＣＵは、中央集権的な管理を促すようネットワーク側で展開され得る。他の設計では、ＤＵの無線ユニット（radio unit，ＲＵ）は遠隔で展開される。任意に、ＲＵは無線周波数機能を有してもよい。

【0054】

任意に、ＤＵ及びＲＵは物理レイヤ（physical layer，ＰＨＹ）で分割されてもよい。例えば、ＤＵはＰＨＹレイヤの上位レイヤ機能を実装してよく、ＲＵはＰＨＹレイヤの下位レイヤ機能を実装してよい。ＰＨＹレイヤが送信のために使用されるとき、ＰＨＹレイヤの機能は次の機能：巡回冗長検査（cyclic redundancy check，ＣＲＣ）コードの追加、チャネル符号化、レートマッチング、スクランブリング、変調、レイヤマッピング、プレコーディング、リソースマッピング、物理アンテナマッピング、又は無線周波数送信、のうちの少なくとも１つを含み得る。ＰＨＹレイヤが受信のために使用されるとき、ＰＨＹレイヤの機能は、次の機能：ＣＲＣ、チャネル復号化、デレートマッチング、デスクランブリング、復調、レイヤデマッピング、チャネル検出、リソースデマッピング、物理アンテナデマッピング、又は無線周波数受信、のうちの少なくとも１つを含み得る。ＰＨＹレイヤの上位レイヤ機能はＰＨＹレイヤの機能の一部を含み得る。例えば、機能の一部はＭＡＣレイヤにより近い。ＰＨＹレイヤの下位レイヤ機能はＰＨＹレイヤの機能の他の部分を含み得る。例えば、機能の当該部分は無線周波数機能により近い。例えば、ＰＨＹレイヤの上位レイヤ機能は、ＣＲＣコードの追加、チャネル符号化、レートマッチング、スクランブリング、変調、及びレイヤマッピングを含んでよく、ＰＨＹレイヤの下位レイヤ機能は、プレコーディング、リソースマッピング、物理アンテナマッピング、及び無線周波数送信の機能を含んでよい。代替的に、ＰＨＹレイヤの上位レイヤ機能は、ＣＲＣコードの追加、チャネル符号化、レートマッチング、スクランブリング、変調、レイヤマッピング、及びプレコーディングを含んでよく、ＰＨＹレイヤの下位レイヤ機能は、リソースマッピング、物理アンテナマッピング、及び無線周波数送信の機能を含んでよい。例えば、ＰＨＹレイヤの上位レイヤ機能は、ＣＲＣ、チャネル復号化、デレートマッチング、復号化、復調、及びレイヤデマッピングを含んでよく、ＰＨＹレイヤの下位レイヤ機能は、チャネル検出、リソースデマッピング、物理アンテナデマッピング、及び無線周波数受信の機能を含んでよい。代替的に、ＰＨＹレイヤの上位レイヤ機能は、ＣＲＣ、チャネル復号化、デレートマッチング、復号化、復調、レイヤデマッピング、及びチャネル検出を含んでよく、ＰＨＹレイヤの下位レイヤ機能は、リソースデマッピング、物理アンテナデマッピング、及び無線周波数受信の機能を含んでよい。

【0055】

例えば、ＣＵの機能は１つのエンティティによって実施されてよく、あるいは、異なるエンティティによって実施されてもよい。例えば、ＣＵの機能は更に分割されてもよく、すなわち、制御プレーン及びユーザプレーンは分離され、制御プレーンＣＵエンティティ（つまり、ＣＵ－ＣＰエンティティ）及びユーザプレーンＣＵエンティティ（つまり、ＣＵ－ＵＰエンティティ）である異なるエンティティによって実施される。ＣＵ－ＣＰエンティティ及びＣＵ－ＵＰエンティティは、アクセスネットワークデバイスの機能を一緒に実現するよう、ＤＵへ結合され得る。

【0056】

任意に、ＤＵ、ＣＵ、ＣＵ－ＣＰ、ＣＵ－ＵＰ、及びＲＵのうちのいずれか１つはソフトウェアモジュール、ハードウェア構造、又はソフトウェアモジュールとハードウェア構造との組み合わせであってよい。これは限定されない。異なるエンティティは異なる形態で存在してもよい。これは限定されない。例えば、ＤＵ、ＣＵ、ＣＵ－ＣＰ、及びＣＵ－ＵＰはソフトウェアモジュールであり、ＲＵはハードウェア構造である。これらのモジュール及びこれらのモジュールによって実行される方法も本開示の保護の範囲内に入る。

【0057】

可能な実施において、アクセスネットワークデバイスはＣＵ－ＣＰ、ＣＵ－ＵＰ、ＤＵ、及びＲＵを含む。例えば、本願はＤＵ、又はＤＵとＲＵ、又はＣＵ－ＣＰとＤＵとＲＵ、又はＣＵ－ＵＰとＤＵとＲＵによって実行される。これは限定されない。モジュールによって実行される方法も本願の保護の範囲に入る。

【0058】

端末デバイスは、代替的に、端末、ユーザ装置（user equipment，ＵＥ）、移動局、移動端末デバイス、などとも呼ばれ得る。端末デバイスは、例えば、次のシナリオ：デバイス・ツー・デバイス（device-to-device，Ｄ２Ｄ）、ビークル・ツー・エブリシング（vehicle-to-everything，Ｖ２Ｘ）、マシンタイプ通信（machine-type communication，ＭＴＣ）、インターネット・オブ・シングス（internet of things，ＩＯＴ）、仮想現実、拡張現実、産業制御、自動運転、遠隔医療、スマートグリッド、スマートファニチャ、スマートオフィス、スマートウェアラブル、スマート輸送、スマートシティ、など、のうちの少なくとも１つを含むがこれらに限定されない様々なシナリオにおける通信に広く使用され得る。端末デバイスは携帯電話、タブレットコンピュータ、無線トランシーバ機能を備えたコンピュータ、ウェアラブルデバイス、車両、無人航空機、ヘリコプター、飛行機、船舶、ロボット、ロボットアーム、スマートホームデバイス、などであってよい。端末デバイスによって使用される具体的な技術及び具体的なデバイス形態は本願で限定されない。

【0059】

本願で、端末デバイスの機能を実装するよう構成される装置は、端末デバイスであってよく、あるいは、端末デバイスが機能を実装するのをサポートすることができる装置、例えば、チップシステム、ハードウェア回路、ソフトウェアモジュール、又はハードウェア回路とソフトウェアモジュールとの組み合わせであってよい。装置は、端末デバイスにインストールされてよく、あるいは、使用のために端末デバイスと適合されてもよい。記載を容易にするために、以下は、端末デバイスの機能を実装するよう構成される装置が端末デバイスであって、端末デバイスがＵＥである例を使用することによって、本願で提供される技術的解決法を記載する。

【0060】

基地局及び端末デバイスは固定されていてよく、又は移動可能であってよい。基地局及び／又は端末デバイスは、屋内又は屋外シナリオ、及び手持ち又は車載シナリオを含め、地上に展開されてよく、あるいは、水上に展開されてもよく、あるいは、空中で飛行機、風船、及び人工衛星に配備されてもよい。基地局及び端末デバイスの適用シナリオは本願で限定されない。基地局及び端末デバイスは同じシナリオ又は異なるシナリオにおいて展開されてもよい。例えば、基地局及び端末デバイスは両方とも地上に展開され、あるいは、基地局は地上に展開され、端末は水上に展開される。例は１つずつ記載されない。

【0061】

基地局及び端末デバイスの役割は相対的であってよい。例えば、図１のヘリコプター又は無人航空機１２０ｉは移動基地局として構成され得る。１２０ｉを介して無線アクセスネットワーク１００にアクセスする端末デバイス１２０ｊの場合、端末デバイス１２０ｉは基地局である。しかし、基地局１１０ａの場合、１２０ｉは端末デバイスである。言い換えれば、１１０ａ及び１２０ｉは無線エアインターフェースプロトコルに基づき互いに通信する。１１０ａ及び１２０ｉは、代替的に、基地局間のインターフェースプロトコルに基づき互いに通信し得る。この場合に、１１０ａに対して、１２０ｉも基地局である。従って、基地局及び端末デバイスは両方とも通信装置と総称されることがある。図１の１１０ａ及び１１０ｂは、基地局の機能を有する通信装置と呼ばれることがあり、図１の１２０ａ～１２０ｊは、端末デバイスの機能を有する通信装置と呼ばれることがある。

【0062】

本願では、独立したネットワーク要素（例えば、ＡＩネットワーク要素又はＡＩノードと呼ばれる）が、ＡＩ関連動作を実装するために、図１に示される通信システムに導入され得る。ＡＩネットワーク要素は、通信システム内でアクセスネットワークデバイスに直接接続されてよく、あるいは、サードパーティネットワーク要素を介してアクセスネットワークデバイスに間接的に接続されてもよい。サードパーティネットワーク要素は、認証管理機能（authentication management function、ＡＭＦ）又はユーザプレーン機能（user plane function，ＵＰＦ）などのコアネットワーク要素であってよい。代替的に、ＡＩ機能、ＡＩモジュール、又はＡＩエンティティは、ＡＩ関連動作を実装するために通信システム内の他のネットワーク要素において構成されてもよい。例えば、他のネットワーク要素はアクセスネットワークデバイス（例えば、ｇＮＢ）、コアネットワークデバイス、又は運用、管理、及び保守（operation, administration and maintenance，ＯＡＭ）であってよい。この場合に、ＡＩ関連動作を実行するネットワーク要素は、内蔵型のＡＩ機能を備えたネットワーク要素である。ＯＡＭは、アクセスネットワークデバイス及び／又はコアネットワークデバイスに対して運用、管理、保守などを実行するよう構成される。

【0063】

本願において、図２又は図３に示されるように、ＡＩモデルは、コアネットワークデバイス、アクセスネットワークデバイス、端末デバイス、ＯＡＭ、などのうちの少なくとも１つでデプロイされてよく、対応する機能は、ＡＩモデルを使用することによって実施される。本願において、異なるノードにデプロイされているＡＩモデルは、同じであっても又は異なってもよい。モデルが異なることは、次の：モデルの構造パラメータ、例えば、レイヤの数及び／又はモデルの重み値、のうちの少なくとも１つが異なること；モデルの入力パラメータが異なること；モデルの出力パラメータが異なること；などを含む。モデルの入力パラメータ及び／又はモデルの出力パラメータが異なることは、次のように記載され得る：モデルの機能が異なる。図２とは異なり、図３では、アクセスネットワークデバイスは、機能に関してＣＵ及びＤＵに分けられている。任意に、ＣＵ及びＤＵは、Ｏ－ＲＡＮアーキテクチャにおけるＣＵ及びＤＵであってよい。１つ以上のＡＩモデルがＣＵにおいてデプロイされてよい。更に／代替的に、１つ以上のＡＩモデルがＤＵにおいてデプロイされてよい。任意に、図３のＣＵは、ＣＵ－ＣＰ及びＣＵ－ＵＰに更に分けられてもよい。任意に、１つ以上のＡＩモデルはＣＵ－ＣＰにおいてデプロイされてよい。更に／代替的に、１つ以上のＡＩモデルはＣＵ－ＵＰにおいてデプロイされてよい。任意に、図２又は図３において、アクセスネットワークデバイスのＯＡＭ及びコアネットワークデバイスのＯＡＭは別々に独立してデプロイされてよい。

【0064】

任意に、図４ａは、本願に係る通信システムのアーキテクチャである。図４ａに示されるように、第１の設計では、アクセスネットワークデバイスは、モデルの訓練及び推論を行うよう構成される準リアルタイムアクセスネットワークインテリジェントコントローラ（RAN intelligent controller，ＲＩＣ）モジュールを含む。例えば、準リアルタイムＲＩＣは、ＡＩモデルを訓練し、ＡＩモデルを使用することによって推論を行うよう構成され得る。例えば、準リアルタイムＲＩＣは、ＣＵ、ＤＵ、又はＲＵのうちの少なくとも１つからネットワーク側及び／又は端末側での情報を取得でき、情報は、訓練データ又は推論データとして使用され得る。任意に、準リアルタイムＲＩＣは、ＣＵ、ＤＵ、ＲＵ、又は端末デバイスのうちの少なくとも１つへ推論結果を提示し得る。任意に、ＣＵ及びＤＵは、推論効果を交換し得る。任意に、ＤＵ及びＲＵは、推論結果を交換し得る。例えば、準リアルタイムＲＩＣは、推論結果をＤＵに提示し、ＤＵは、推論結果をＲＵに転送する。

【0065】

代替的に、第２の設計では、図４ａに示されるように、非リアルタイムＲＩＣ（任意に、非リアルタイムＲＩＣはＯＡＭ又はコアネットワークデバイスに位置してよい）は、アクセスネットワークデバイスの外に含まれ、モデルの訓練及び推論を行うよう構成される。例えば、非リアルタイムＲＩＣは、ＡＩモデルを訓練し、モデルを使用することによって推論を行うよう構成される。例えば、非リアルタイムＲＩＣは、ＣＵ、ＤＵ、又はＲＵのうちの少なくとも１つからネットワーク側及び／又は端末側での情報を取得し得る。情報は訓練データ又は推論データとして使用されてよく、推論結果は、ＣＵ、ＤＵ、ＲＵのうちの少なくとも１つ、又は端末デバイスのうちの少なくとも１つに提示され得る。任意に、ＣＵ及びＤＵは、推論結果を交換し得る。任意に、ＤＵ及びＲＵは、推論結果を交換し得る。例えば、非リアルタイムＲＩＣは、推論結果をＤＵに提示し、ＤＵは、推論結果をＲＵに転送する。

【0066】

代替的に、第３の設計では、図４ａに示されるように、アクセスネットワークデバイスは準リアルタイムＲＩＣを含み、非リアルタイムＲＩＣ（任意に、非リアルタイムＲＩＣはＯＡＭ又はコアネットワークデバイスに位置してよい）は、アクセスネットワークデバイスの外に含まれる。上記の第２の設計と同じく、非リアルタイムＲＩＣは、モデルの訓練及び推論を行うよう構成され得る。更に／代替的に、上記の第１の設計と同じく、準リアルタイムＲＩＣは、モデルの訓練及び推論を行うよう構成され得る。更に／代替的に、非リアルタイムＲＩＣはモデルの訓練を行い、準リアルタイムＲＩＣは、非リアルタイムＲＩＣからＡＩモデル情報を取得し、ＣＵ、ＤＵ、又はＲＵからネットワーク側及び／又は端末側での情報を取得し、当該情報及びＡＩモデル情報を使用することによって推論結果を取得し得る。任意に、準リアルタイムＲＩＣは、ＣＵ、ＤＵ、ＲＵ、又は端末デバイスのうちの少なくとも１つに推論結果を提示し得る。任意に、ＣＵ及びＤＵは、推論結果を交換し得る。任意に、ＤＵ及びＲＵは、推論結果を交換し得る。例えば、準リアルタイムＲＩＣは、推論結果をＤＵに提示し、ＤＵは、推論結果をＲＵに転送する。例えば、準リアルタイムＲＩＣは、モデルＡを訓練し、モデルＡを使用することによって推論を行うよう構成される。例えば、非リアルタイムＲＩＣは、モデルＢを訓練し、モデルＢを使用することによって推論を行うよう構成される。例えば、非リアルタイムＲＩＣは、モデルＣを訓練し、モデルＣに関する情報を準リアルタイムＲＩＣに送るよう構成される。準リアルタイムＲＩＣは、モデルＣを使用することによって推論を行う。

【0067】

図４ｂは、本願に係る他の通信システムのアーキテクチャである。図４ａのＣＵと比較して、図４ｂのＣＵは、ＣＵ－ＣＰ、ＣＵ－ＵＰなどに分離されている。

【0068】

無線ネットワークデバイスにおいて、ＡＩモデルが使用される場合、解決される必要がある問題は、無線ネットワークでの柔軟かつ可変な信号フォーマットとＡＩモデルの固定入力フォーマット及び固定出力フォーマットとの間の衝突である。例えば、無線信号の帯域幅は基地局によって柔軟にスケジューリングされる。１つのスロット内でスケジューリングされ得る帯域幅は４つのリソースブロック（resource blocks，ＲＢ）であり、次のスロット内でスケジューリングされ得る帯域幅は８つのＲＢに変化することがある。しかし、ＡＩモデルの入力フォーマットは固定であり、信号の帯域幅に応じて変化することができない。例えば、ＡＩモデルの入力フォーマットが４ＲＢに対応する場合、ＡＩモデルは、入力帯域幅が４ＲＢである信号しかサポートせず、入力帯域幅が８ＲＢである信号を処理することができない。上記の問題を解決するために、解決法が提供される：ＡＩモデルは帯域幅ごとに訓練される。図４ｃに示されるように、ＡＩモデルは、入力帯域幅が４ＲＢである信号と、入力帯域幅が８ＲＢである信号とについて、別々に訓練される。これにより、訓練及び保持の両方のためのオーバーヘッドは高くなる。

【0069】

本願では、解決法が提供される。解決法において、ＡＩモデルは訓練され、ＡＩモデルは、複数のフォーマットでの入力データ及び出力データに適用可能である。具体的に、訓練の間、異なるフォーマットなどでのデータ（例えば、入力データ及び／又は出力データ）は、ＡＩモデルを一緒に訓練するために、パディング、トランケーション、などにより同じフォーマットのデータに変換される。ＡＩモデルは複数のフォーマットに適用可能である。ＡＩモデルが使用されるか又は推論を実行する場合、入力データ及び／又は出力データは、訓練中に使用されたのと同じデータ処理方法を使用することによって、ＡＩモデルに適合する入力データ及び／又は出力データに変換され、それにより、異なる無線リソース設定のための推論タスクが、同じＡＩモデルを使用することによって完了され、訓練及び保持のためのオーバーヘッドは低減される。なお、少なくとも２つの例が本願の解決法に含まれる。例えば、ＡＩモデルは、全てのフォーマットでの入力データ及び／又は出力データについて訓練される。例えば、無線ネットワーク内のスケジューリングされた帯域幅は、４ＲＢ、８ＲＢ、１６ＲＢ、及び３２ＲＢを含む。この場合、ＡＩモデルは、上記４つのスケジューリングされた帯域幅について訓練される。以下の記載では、この例が単に説明のために使用されている。代替的に、ＡＩモデルは、いくつかのフォーマットの入力データ及び／又は出力データについて設計され、他のフォーマットでの入力データ及び／又は出力データについては、他のＡＩモデルが設計される。例えば、第１ＡＩモデルは、４ＲＢ及び８ＲＢのスケジューリングされた帯域幅について訓練される。言い換えれば、第１ＡＩモデルは、４ＲＢ及び８ＲＢの信号入力に適用可能である。第２ＡＩモデルは、１６ＲＢ及び３２ＲＢのスケジューリングされた帯域幅について訓練される。言い換えれば、第２ＡＩモデルは、１６ＲＢ及び３２ＲＢの信号の入力に適用可能である、など。

【0070】

理解を容易にするために、本願での用語又は概念が最初に記載される。

【0071】

１．ＡＩモデル

【0072】

ＡＩモデルは、ＡＩ機能の具体的な実施である。ＡＩモデルは、モデルの入力及び出力の間のマッピング関係を表す。ＡＩモデルはニューラルネットワーク、線形回帰モデル、決定木モデル、サポートベクターマシン（support vector machine，ＳＶＭ）、ベイズネットワーク、Ｑ学習モデル、他の機械学習モデル、などであってよい。本願において、ＡＩ機能は、次の：データ収集（訓練データ及び／又は推論データの収集）、データ前処理、モデル訓練（又はモデル学習と呼ばれる）、モデル情報リリース（設定モデル情報）、モデル検証、モデル推論、又は推論結果リリース、のうちの少なくとも１つを含み得る。推論は、代替的に予測と呼ばれることがある。本願において、ＡＩモデルは、略してモデルと呼ばれることがある。

【0073】

ＡＩモデル設計は主に、データ収集セクション（例えば、データ源が訓練データ及び／又は推論データを収集してよい）、モデル訓練セクション、及びモデル推論セクションを含む。更に、ＡＩモデル設計は、推論結果応用セクションを更に含んでもよい。任意に、ＡＩモデル設計は、モデル試験セクションを更に含んでもよい。図５は、ＡＩモデルの適用アーキテクチャの図である。データ源（data source）は、訓練データ及び推論データを供給するよう構成される。モデル訓練セクションでは、モデル訓練ノード（モデル訓練ホスト）が、ＡＩモデルを取得するよう、データ源によって供給された訓練データ（training data）を解析又は訓練する。任意に、モデル訓練ノードによる訓練を経たＡＩモデルは、訓練データを使用することによるモデル訓練ノードによる学習を経たモデルの入力及び出力の間のマッピング関係を取得することと同等である。ＡＩモデルは、モデル推論ノード（モデル推論ホスト）でデプロイされる。任意に、モデル訓練ノードは更に、モデル推論ノードでデプロイされるＡＩモデルを更新し得る。モデル推論ノードは更に、デプロイされたモデルの関連情報をモデル訓練ノードにフィードバックしてもよく、それにより、モデル訓練ノードは、デプロイされたＡＩモデルを最適化又は更新などする。

【0074】

モデル推論セクションでは、モデル推論ノードがＡＩモデルを使用して、データ源によって供給された推論データに基づき推論を行い、推論結果を取得する。方法は次の通りに実施され得る：モデル推論ノードは推論データをＡＩモデルに入力し、ＡＩモデルを使用することによって出力を取得する。出力は推論結果である。推論結果は、動作の主体によって実行（作動）された設定パラメータ、及び／又は動作の主体によって実行された動作を示し得る。推測結果は、動作の主体によって使用（作動）される設定パラメータ及び／又は動作の主体によって実行される操作を示し得る。推測結果は、アクター（actor）エンティティによって中心的に計画され、動作のために動作の１つ以上の主体（例えば、ネットワークエンティティ）へ送られ得る。任意に、アクターエンティティ又は動作の主体は更に、モデルのパフォーマンスをデータ源にフィードバックしてもよく、モデルのパフォーマンスは、その後のモデル更新訓練を助けるために、訓練データとして使用される。

【0075】

２．ニューラルネットワーク（neural network，ＮＮ）

【0076】

ＡＩモデルはニューラルネットワーク又は他の機械学習モデルであってよい。ニューラルネットワークが例として使用される。ニューラルネットワークは、機械学習技術の具体的な実施形態である。普遍近似定理に従って、ニューラルネットワークは、任意の連続関数に理論上近似でき、それにより、ニューラルネットワークは、任意のマッピングを学習する機能を有する。従って、ニューラルネットワークは、複雑な高次問題に対して抽象モデリングを正確に実行することができる。

【0077】

ニューラルネットワークのアイデアは、脳組織のニューロン構造に由来する。各ニューロンは、ニューロンの入力値に対して加重加算演算を実行し、加重加算の結果を活性化関数を通じて出力する。図６は、ニューロンの構造の図である。ニューロンの入力はｘ＝［ｘ_０，ｘ_１，・・・，ｘ_ｎ］であり、入力に対応する重みはｗ＝［ｗ，ｗ_１，・・・，ｗ_ｎ］であり、加重加算のバイアスはｂであると仮定される。活性化関数の形式は多様であることができる。あるニューロンの活性化関数がｙ＝ｆ（ｚ）＝ｍａｘ（０，ｚ）である場合、ニューロンの出力は、

【数1】

である。他の例として、あるニューロンの活性化関数がｙ＝ｆ（ｚ）＝ｚである場合、ニューロンの出力は、

【数2】

であり、このとき、ｗｉ、ｘｉ、及びｂは、小数、整数（０、正の整数、負の整数、などを含む）、複素数などの、様々なとり得る値であってよい。ニューロンネットワーク内の異なるニューロンの活性化関数は、同じであっても又は異なってもよい。

【0078】

ニューラルネットワークは一般的にマルチレイヤ構造を含み、各レイヤは１つ以上のニューロンを含む。ニューラルネットワークの深さ及び／又は幅が増すと、ニューラルネットワークの表現能力が向上し、複雑なシステムのためのより強力な情報抽出能力及び抽象モデリング能力を提供することができる。ニューラルネットワークの深さは、ニューラルネットワークに含まれるレイヤの数を指すことがあり、各レイヤに含まれるニューロンの数はレイヤの幅と呼ばれることがある。図７は、ニューラルネットワークのレイヤ関係の図である。実施において、ニューラルネットワークは入力レイヤ及び出力レイヤを含む。受け取った入力に対してニューロン処理を実行した後、ニューラルネットワークの入力レイヤは出力レイヤへ結果を転送し、出力レイヤはニューラルネットワークの出力結果を得る。他の実施では、ニューラルネットワークは入力レイヤ、隠れレイヤ、及び出力レイヤを含む。受け取った入力に対してニューロン処理を実行した後、ニューラルネットワークの入力レイヤは結果を中間の隠れレイヤへ転送する。次いで、隠れレイヤは計算結果を出力レイヤ又は隣接する隠れレイヤへ転送する。最終的に、出力レイヤはニューラルネットワークの出力結果を得る。ニューラルネットワークは１つの隠れレイヤ又は順次接続されている複数の隠れレイヤを含み得る。これは限定されない。ニューラルネットワークの訓練プロセスで、損失関数が定義され得る。損失関数は、ニューラルネットワークの出力値と理想的な目標値との間のギャップ又は差を表す。損失関数の具体的な形式は本願で限定されない。ニューラルネットワークの訓練プロセスは、ニューラルネットワークのレイヤの数及び幅、ニューロンの重み値、及び／又はニューロンの活性化関数におけるパラメータなどのニューラルネットワークパラメータを調整して、損失関数の値が閾値よりも小さいか又は目標要件を満たすようにするプロセスである。

【0079】

３．ＡＩモデル訓練

【0080】

ＡＩモデルの訓練プロセスでは、損失関数が定義されることがある。損失関数は、ＡＩモデルの出力値と理想的な目標値との間のギャップ又は差を表す。損失関数の具体的な形式は本願で限定されない。ＡＩモデルの訓練プロセスは、１つ以上の訓練データについて、損失関数の値又は加重加算値（例えば、平均値）が閾値よりも小さいか又は目標要件を満たすことができるように、ＡＩモデルの一部又は全てのパラメータが調整されるプロセスである。ＡＩモデルがニューラルネットワークである場合、次のパラメータ：ニューラルネットワークの層の数、ニューラルネットワークの幅、層間の接続関係、ニューロンの重み値、ニューロンの活性化関数、又は活性化関数におけるオフセット、のうちの１つ以上が訓練プロセスで調整されてよく、それにより、ニューラルネットワークの出力と理想的な目標値との間の差は可能な限り小さくなる。

【0081】

設計において、ＡＩモデルがニューラルネットワークｆ_θ（・）である例が使用される。モデル訓練ノードは訓練データを収集し、このとき、訓練データは訓練サンプル及びラベルを含む。例えば、訓練サンプルｘは入力として使用され、推論結果ｆ_θ（ｘ）は、ニューラルネットワークｆ_θ（・）が訓練サンプルｘを処理した後の出力であり、推論結果ｆ_θ（ｘ）と訓練サンプルｘのラベルとの間の差は、損失関数を使用することによって計算により取得される。モデル訓練ノードは、損失関数を使用することによって取得された差に基づき、モデル最適化アルゴリズムを使用することによってネットワークパラメータを最適化し得る。ニューラルネットワークは、大量の訓練データを使用することによって訓練され、それにより、訓練サンプル（例えば、１つ以上の訓練サンプル）のグループについて、各訓練サンプルのニューラルネットワークの出力と訓練サンプルのラベルとの間の差は閾値よりも小さくなるか又は目標要件を満足し、あるいは、全ての訓練サンプルのニューラルネットワークの出力と全ての訓練サンプルのラベルとの間の差の加重加算値（例えば、平均値）は閾値よりも小さくなるか又は目標要件を満足し、ニューラルネットワークの訓練は完了する。

【0082】

なお、教師あり学習の訓練方法が上記のプロセスでは説明されているが、本願を限定する意図はない。本願では、ＡＩモデル訓練は、代替的に、教師なし学習を使用することによって実行されてもよい。訓練サンプルの内部モードが、訓練サンプルに基づいたＡＩモデル訓練を完了するために、アルゴリズムを使用することによって学習される。ＡＩモデル訓練は更に、強化学習を使用することによって実行されてもよい。環境によってフィードバックされた励起信号は、問題解決方針を学習し、ＡＩモデルを最適化するなどのために、環境との相互作用を通じて取得される。本願では、モデル訓練方法は限定されない。

【0083】

図８に示されるように、モデルのためのデータ処理方法のプロシージャが提供される。方法はモデル訓練ノード又はモデル推論ノードによって実行される。モデル訓練ノード及びモデル推論ノードは同じノード、異なるノード、などであってよいことが理解され得る。これは限定されない。プロシージャは少なくとも次のステップを含む。

【0084】

ステップ８０１：第１ノードは、ＡＩモデルのためのデータ処理方法を決定する。

【0085】

第１ノードは、モデル訓練ノード、モデル推論ノード、などである。例えば、第１ノードは、他のノード（例えば、第２ノード）から指示情報を受け取り、このとき、指示情報は、ＡＩモデルのためのデータ処理方法を指示する。代替的に、第１ノードは、プロトコルで定義されるようにＡＩモデルのためのデータ処理方法を決定する。代替的に、第１ノードは、ＡＩモデルのためのデータ処理方法を決定する。例えば、モデル推論ノードは、収集された訓練データのフォーマット、訓練対象ＡＩモデルのフォーマット、などに基づきＡＩモデルのためのデータ処理方法などを決定し得る。詳細については、以下の記載を参照されたい。

【0086】

ステップ８０２：第１ノードは、ＡＩモデルのためのデータ処理方法に従って、次の：モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実施する。

【0087】

図９Ａに示されるように、モデル訓練ノード及びモデル推論ノードが別々にデプロイされ、モデル訓練ノードがＡＩモデルのためのデータ処理方法をモデル推論ノードに示す例が、データ処理方法のプロシージャを提供するために使用される。プロシージャは少なくとも次のステップを含む。

【0088】

ステップ９０１：訓練データを収集する。

【0089】

本願において、訓練データを収集するエンティティは、モデル訓練ノード、他のＡＩエンティティ、ＡＩモジュール、などであってよい。本願において、収集された訓練データは、無線ネットワーク内のデータ、例えば、無線チャネル情報、受信信号、参照信号、及び参照信号受信電力（reference signal received power，ＲＳＲＰ）を含むが、これらに限られない。無線チャネル情報は、推定チャネル応答、チャネル特徴、などを含み得る。データの直接的な取得者（又は推定者、測定者、収集者、などと呼ばれる）は、ＵＥ又は基地局であってよい。データを収集するエンティティ又はモジュールがデータの直接的な取得者とは異なる場合、データの直接的な取得者は、データを、データを収集するエンティティ又はモジュールへ送る。収集された訓練データは、異なるＵＥの測定データ、又は異なる地理的位置及び異なるチャネル環境でＵＥによって取得された測定データを含み得る。収集されたデータは、実際のネットワーク内でＵＥ又は基地局によって取得された実際のデータであってよく、あるいは、エミュレーションプラットフォーム又はシミュレーションプラットフォームを使用することによって生成された仮想データ、などであってもよい。これは限定されない。

【0090】

本願の目的は、複数の無線リソース設定に適応するＡＩモデルを訓練することである。従って、収集された訓練データは、複数の無線リソース設定でのデータを含む。例えば、収集された訓練データは、複数の帯域幅又は複数の参照信号パターンでの受信信号又は無線チャネル情報を含む。複数の無線リソース設定でのデータは、代替的に、同じ無線リソース設定でのデータに対してデータエンハンスメント方法を使用することによって生成されてもよい。例えば、同じ帯域幅での無線チャネルは、異なる帯域幅での無線チャネルにトランケーションされる。

【0091】

任意に、本願において、収集された訓練データの具体的な種類は、ＡＩモデルの関数に関係がある。例えば、周波数領域チャネル推定のためのＡＩモデルの場合、ＡＩモデルによって必要とされる訓練データは、受信された参照信号Ｙ及び元の参照信号Ｓを少なくとも含む。ＡＩモデルのために、様々な無線リソース設定での参照信号Ｙ及び元の参照信号Ｓが訓練データとして収集され得る。例えば、異なる帯域幅及び／又は異なる参照信号タイプでの参照信号Ｙ及び元の参照信号Ｓが収集され得る。

【0092】

他の例として、チャネル状態情報（channel state information，ＣＳＩ）フィードバックに使用されるＡＩモデルの場合、ＡＩモデルによって必要とされる訓練データは、チャネル応答Ｈ及びチャネル特徴Ｗを少なくとも含み、異なる帯域幅及び／又は異なるアンテナポート数でのチャネル応答Ｈ又はチャネル特徴Ｗが収集され得る。

【0093】

他の例として、ビーム管理に使用されるＡＩモデルの場合、ＡＩモデルによって必要とされる訓練データは、チャネル応答Ｈ、受信信号Ｙ、又は受信信号ＹのＲＳＲＰを少なくとも含み、異なる帯域幅及び／又は異なるアンテナポート数でのチャネル応答Ｈ、受信信号Ｙ、又はＲＳＲＰが収集され得る。

【0094】

他の例として、位置決め関連ＡＩモデルの場合、ＡＩモデルによって必要とされる訓練データは、チャネル応答Ｈを少なくとも含み、異なる帯域幅及び／又は異なるアンテナポート数でのチャネル応答Ｈが収集され得る。

【0095】

ステップ９０２：収集された訓練データを処理することを含むモデル訓練を実行する。

【0096】

本願では、上記のデータ収集フェーズで収集された訓練データが複数のフォーマットを含むので、モデル訓練フェーズでは、収集された訓練データは、訓練データのフォーマットを統一するよう処理される必要がある。

【0097】

ＡＩモデル推論フェーズでのＡＩモデルの入力データ及び出力データを区別するために、ＡＩモデル訓練フェーズでのＡＩモデルの入力データは、入力訓練データと呼ばれ、ＡＩモデル訓練フェーズでのＡＩモデルの出力データは、出力訓練データと呼ばれる。更に、本願では、訓練データを処理するプロセスが含まれる。従って、元々収集されていた訓練データ（つまり、原データ）、すなわち、処理前の訓練データは、第１入力訓練データと呼ばれることがあり、処理済みの訓練データは、第２入力訓練データと呼ばれることがある。第２入力訓練データは、ＡＩモデルの入力訓練データとして使用され得る。ＡＩモデルの出力データは、第１出力訓練データと呼ばれ、ＡＩモデルの出力データが処理された後に取得されるデータは、第２出力訓練データと呼ばれるか、又は目標データと呼ばれる。

【0098】

例えば、本願のデータ処理方法は、次の：入力データ処理方法又は出力データ処理方法、のうちの少なくとも１つを含む。図９Ｂに示されるように、モデル訓練ノードは、第２入力訓練データを取得するよう、収集された第１入力訓練データに対して入力データ処理を実行し；第２入力訓練データ及びＡＩモデルに基づき第１出力訓練データを取得し；第２出力訓練データを取得するよう、第１出力訓練データに対して出力データ処理を実行し；第２出力訓練データに基づき、目標関数が要件を満足するかどうかを決定し得る。目標関数が要件を満足する場合、ＡＩモデルは出力され、ＡＩモデルの訓練は完了する。代替的に、目標関数が要件を満足しない場合、ＡＩモデルのパラメータは更新され、ＡＩモデルの訓練は続く。目標関数は、代替的に、損失関数と呼ばれ得る。例えば、ＡＩモデルはニューラルネットワークである。この場合、調整されたパラメータは、次の：ニューラルネットワークの層の数、ニューラルネットワークの幅、層間の接続関係、ニューロンの重み値、ニューロンの活性化関数、活性化関数のオフセット、など、のうちの１つ以上を含み得る。教師あり学習が上記の訓練プロセスで使用されてよい。モデル訓練ノードは、第２出力訓練データ及び対応するラベルに基づき損失関数の値を決定し得る。損失関数の値が閾値よりも小さいか又は目標要件を満足する場合、ＡＩモデルの訓練は終了する。代替的に、損失関数の値が閾値以上であるか又は要件を満足しない場合、ＡＩモデルの訓練は続く。教師あり学習のそれとは異なり、教師なし学習プロセスでは、ラベルがない。この場合、モデル訓練ノードは、第２出力訓練データに基づき損失関数の値を決定し得る。教師あり学習及び教師なし学習において、損失関数は異なる設計を有する。モデル訓練プロセスにおいて、他のモデル訓練方法、例えば、強化学習が代替的に使用されてもよいことが理解され得る。これは限定されない。

【0099】

例えば、モデル訓練ノードが第１入力訓練データに対して入力データ処理を実行するプロセスは、ＡＩモデルの入力フォーマット及び出力フォーマットを決定することと、ＡＩモデルの入力フォーマットに基づき第１入力訓練データを処理して第２入力訓練データを取得することとを含む。任意に、第２入力訓練データのフォーマットは、ＡＩモデルの入力フォーマットと同じである。第１出力訓練データは、第２入力訓練データ及びＡＩモデルに基づき決定される。任意に、第１出力訓練データのフォーマットは、ＡＩモデルの出力フォーマットと同じである。第１出力訓練データに対して出力データ処理を実行するプロセスは、第１出力訓練データを処理して第２出力訓練データを取得することを含む。例えば、処理は、第２出力訓練データを取得するよう、訓練データ内のラベルのフォーマットに基づき第１出力訓練データに対して実行されてよい。任意に、第２出力訓練データのフォーマットは、対応するラベルのフォーマットと同じである。代替的に、教師なし学習シナリオでは、訓練データにはラベルが存在しない。この場合、処理は、第２出力訓練データを取得するよう、無線リソース設定に基づき第１出力訓練データに対して実行されてよく、このとき、第２出力訓練データは、対応する無線リソースの設定を満足する。代替的に、第１出力訓練データは、第２出力訓練データなどを取得するよう、ＡＩモデルの損失関数に基づき処理される。例えば、無線リソース設定において、ＡＩモデルは、長さがＢビットであるチャネル状態情報をフィードバックする必要がある。この場合、ＡＩモデルによって出力される第１出力訓練データの長さは、Ｂビットの長さにトランケーションされる。ＡＩモデルのパラメータは第２出力訓練データに基づき調整される。例えば、教師あり学習が例として使用される。モデル訓練ノードは、第２出力訓練データ及び訓練データ内のラベルに基づき損失関数の値を計算し得る。損失関数の値が閾値よりも小さいか又は目標要件を満足する場合、ＡＩモデルの訓練は完了する。代替的に、損失関数の値が閾値以上であるか又は目標要件を満足しない場合、ＡＩモデルパラメータは調整され、ＡＩモデルの訓練は続く。

【0100】

第１入力訓練データを処理する上記のプロセス及び第１出力訓練データを処理するプロセスは必ずしも実行される必要がないことが理解されるべきである。収集された訓練データは複数のフォーマットを含む。従って、特定のフォーマットでの入力訓練データについては、入力訓練データのフォーマットがＡＩモデルの入力フォーマットと同じである場合、そのフォーマットでの入力訓練データは直接ＡＩモデルに入力されてよく、入力訓練データはもはや処理される必要がない。言い換えれば、第１入力訓練データは処理されなくてもよく、第１出力訓練データは第１入力訓練データ及びＡＩモデルに基づき直接決定される。同様に、第１ＡＩモデルの出力は第１出力訓練データと呼ばれる。第１出力訓練データのフォーマットが要件を満足する、例えば、ラベルのフォーマットと同じであるか、又は無線リソース設定のフォーマットを満足する場合、第１出力訓練データはもはやこれ以上処理されなくてもよい。

【0101】

本願において、ＡＩモデルの入力フォーマット及び出力フォーマットは、無線リソース設定に関係があり得る。例えば、ＡＩモデルの入力データはパディングされ、ＡＩモデルの出力データはトランケーションされる。ＡＩモデルの入力データの長さは、ＡＩモデルの適用シナリオにおける全ての潜在的な無線リソース設定の中で最長である訓練サンプルの長さよりも長いか又はそれに等しいことがあり、ＡＩモデルの出力データの長さは、ＡＩモデルの適用シナリオにおける全ての潜在的な無線リソース設定の中で最長であるラベルの長さよりも長いか又はそれに等しいことがある、など。

【0102】

なお、本願の記載中、フォーマットは、次元及び／又は長さなどの２つの意味を含み得る。無線信号処理では、通常、処理される必要があるオブジェクトは無線信号、無線チャネル、などである。無線信号又は無線チャネルの次元は、通常、時間領域、周波数領域、及び／又は空間周波数などの次元を含む。本願において、元々収集されていた第１入力訓練データの次元は、次元がＡＩモデルの入力次元要件を満足するように変換されてよく、かつ／あるいは、各次元における信号の長さは、長さが各次元での長さについてのＡＩモデルの入力の要件を満足するように処理される。本願の記載中、入力データの長さ及び出力データの長さを処理するプロセスが主に記載され、１次元データの長さの処理が例として使用される。続く記載では、別段特定されない限り、記載されている長さは、１次元データの長さである。多次元データの長さの処理の方法は、１次元データの長さの処理の方法を直接拡張することによって取得され得る。

【0103】

ステップ９０３：モデル訓練ノードはＡＩモデル及び指示情報をモデル推論ノードへ送り、このとき、指示情報は、ＡＩモデルのためのデータ処理方法を指示し、ＡＩモデルのためのデータ処理方法は、代替的に、ＡＩモデル使用法と呼ばれ得る。

【0104】

本願において、モデル訓練ノードがモデル推論ノードとは異なる場合、モデルデプロイが実行される必要がある。具体的に言えば、モデル訓練ノードは、訓練されたＡＩモデルをモデル推論ノードへ送る必要がある。例えば、モデル訓練ノードは、ＡＩモデルに関する情報をモデル推論ノードへ送ってよい。ＡＩモデルに関する情報は、次の：モデルのパラメータ、モデルの入力フォーマット、モデルの出力フォーマット、など、のうちの少なくとも１つを含む。ニューラルネットワークが例として使用される。モデルのパラメータは、次の：ニューラルネットワークの層の数、ニューラルネットワークの幅、層間の接続関係、ニューロンの重み、ニューロンの活性化関数、活性化関数のオフセット、など、のうちの少なくとも１つを含む。モデル推論ノードは、ＡＩモデルに関する情報に基づきＡＩモデルを回復又は決定する。

【0105】

更に、本願において，ＡＩモデル使用法（つまり、ＡＩモデルのためのデータ処理方法）は、モデル推論ノードがＡＩモデルを正しく使用して推論タスクを完了することができるように、モデル推論ノードに更に指示されてよい。代替的に、ＡＩモデル使用法は予め定義されてもよい。モデル推論ノードがＡＩモデル使用法を取得する方法は本願で限定されない。

【0106】

本願において、ＡＩモデルのためのデータ処理方法は、次の：入力データ処理方法又は出力データ処理方法、のうちの少なくとも１つを含む。入力データ処理方法は、次の：データパディング方法又はデータトランケーション方法、のうちの少なくとも１つを含む。出力データ処理方法は、次の：データパディング方法又はデータトランケーション方法、のうちの少なくとも１つを含む。データパディング方法は、次の：パディング規則（又はパディング位置、つまり、特定の長さのデータがパディングされる特定の位置）、パディング後に取得される長さ、及びパディングデータタイプ（つまり、パディング値）、のうちの少なくとも１つを含む。データトランケーション方法は、次の：トランケーション規則（又はトランケーション位置、つまり、特定の長さのデータがトランケーションされる特定の位置）、又はトランケーション後に取得される長さ、のうちの少なくとも１つを含む。

【0107】

本願において、複数のデータ処理方法が予め決定されてよく、モデル訓練ノードは、複数のデータ処理方法のうちの１つをモデル推論ノードに指示し得る。例えば、ｎ個のデータ処理方法が予め決定され、ｎ個のデータ処理方法は異なるインデックスに対応する。モデル訓練ノードは、特定のデータ処理方法のインデックスをモデル推論ノードに具体的に指示し得る。代替的に、モデル訓練ノードは、モデル推論ノードに対して、データ処理方法に対応するパラメータ、例えば、入力データに対するパディング値及びパディング位置、並びに／又は出力データに対するトランケーション位置を直接指示してもよい。

【0108】

ステップ９０４：モデル推論ノードは、ＡＩモデルのためのデータ処理方法に従ってモデル推論を実行する。

【0109】

本願において、モデル推論ノードは、ＡＩモデルのための、モデル訓練ノードによって指示されたデータ処理方法に従って、モデル推論を実行して、異なる無線リソース設定のための推論タスクを完了し得る。言い換えれば、モデル推論ノードは、訓練データ処理方法のそれと同じ規則を使用することによって、モデル推論の間にデータを処理する。

【0110】

記載を容易にするために、モデル推論フェーズにおいて、初期入力データは第１入力データ又は原データと呼ばれ、ＡＩモデルの、第１入力データが処理された後に取得された入力データは、第２入力データと呼ばれる。ＡＩモデルの出力データは、第１出力データと呼ばれる。第１出力データが処理された後に取得されるデータは、第２出力データ又は目標データと呼ばれる。

【0111】

設計において、ＡＩモデルのための、モデル推論ノードによって指示されたデータ処理方法は、次の：入力データ処理方法又は出力データ処理方法、のうちの少なくとも１つを含む。入力データ処理方法は、モデル訓練フェーズでの入力訓練データ処理方法と同じであるか又はそれに対応する。出力データ処理方法は、モデル推論フェーズでの出力訓練データ処理方法と同じであるか又はそれに対応する。例えば、図９Ｃに示されるように、モデル推論ノードは、ＡＩモデルのためのデータ処理方法における入力データ処理方法に従って第１入力データを処理して、第２入力データを取得し得る。第２入力データのフォーマットは、ＡＩモデルのフォーマットと同じである。第１出力データは、第２入力データ及びＡＩモデルに基づき決定される。第１出力データのフォーマットは、ＡＩモデルの出力フォーマットと同じである。第１出力データは、ＡＩモデルのためのデータ処理方法における出力データ処理方法に基づき処理されて、第２出力データが決定される。第２出力データは、ＡＩモデルの推論結果と見なすことができる。

【0112】

上記の訓練プロセスと同様に、モデル推論ノードが第１入力データを処理して第２入力データを決定するプロセス、及びモデル推論ノードが第１出力データを処理して第２出力データを取得するプロセスは、必ずしも実行されず、代替的に、実行されなくてもよい。例えば、第１入力データがＡＩモデルの入力フォーマットと一致するか、又は入力データ処理方法で指示されたパディングデータの長さと同じである場合、第１入力データはもはや処理されなくてもよく、第１入力データはＡＩモデルの入力データとして直接使用され得る。ＡＩモデルの出力データが無線リソース設定の長さを満たすか、又は対応するラベルの長さと同じであるか、あるいは、ＡＩモデルの出力データが、出力データ処理方法で指示されたトランケーション後のデータの長さと同じである、などの場合、第１出力データは処理される必要がなく、第１出力データはＡＩ推論の推論結果などとして直接使用されてもよい。

【0113】

上記の設計では、異なる無線リソース設定のための推論タスクは、１つのＡＩモデルを使用することによって完了でき、無線リソース設定ごとに１つのＡＩモデルを訓練及びデプロイする必要がなく、それによって、訓練及び保持のためのオーバーヘッドなどを減らす。

【0114】

上述されたように、ＡＩモデルのためのデータ処理方法は、次の：ＡＩモデルのための入力データ処理方法、又はＡＩモデルのための出力データ処理方法、のうちの少なくとも１つを含む。設計において、ＡＩモデルのための入力データ処理方法が入力データパディング方法であり、ＡＩモデルのための出力データ処理方法が出力データトランケーション方法であるプロセスが、主に記載される。代替的に、それは、次のように記載されてもよい：ＡＩモデルのためのデータ処理方法は、次の：ＡＩモデルのための入力データパディング方法又はＡＩモデルのための出力データトランケーション方法、のうちの少なくとも１つを含む。

【0115】

この設計では、モデル訓練ノードがＡＩモデルのためのデータ処理方法に従ってモデル訓練を実行するプロセスは、モデル訓練ノードが、入力データパディング方法に従って第１入力訓練データにパディングして第２入力訓練データを取得し、第２入力訓練データ及びＡＩモデルに基づき第１出力訓練データを決定し、出力データトランケーション方法に従って第１出力訓練データをトランケーションして第２出力訓練データを取得することを含む。第２出力訓練データに基づきＡＩモデルに対してパラメータ調整が実行される。

【0116】

入力データパディング方法は、次の項目のうちの１つを含み得る：
パディングされたデータの長さ，この項目が設定されない場合、パディングされた入力訓練データの長さはデフォルトでＡＩモデルの入力データの長さと同じであり、つまり、ＡＩモデルの入力フォーマットに適合する；
パディングデータタイプ，例えば、パディングデータタイプは０であってよく、あるいは、極めて大きい正の数又は極めて小さい負の数であってよい；又は
データパディング規則，例えば、パディングは、等しい間隔で又は等しくない間隔で入力訓練データの前、後ろ、真ん中、又は両側で行われる。

【0117】

出力データトランケーション方法は、次の項目のうちの少なくとも１つを含み得る：
トランケーション後のデータの長さ，この項目が設定されない場合、トランケーションされた出力データの長さは、デフォルトでラベルの長さと同じであり、つまり、ラベルのフォーマットに適合する；又は
データトランケーション規則，例えば、トランケーションは、等しい間隔で又は等しくない間隔で出力データの前、後ろ、真ん中、又は両側で行われる。

【0118】

例えば、モデル訓練ノードは、十分な訓練データを収集し得る。教師あり学習が例として使用される。訓練データは訓練サンプル及びラベルを含む。訓練サンプルは、代替的に、第１入力訓練データと呼ばれることがあり、第１入力訓練データは、モデル訓練のためにＡＩモデルに入力される必要があるデータであり得る。ＡＩモデルの入力データの長さ及びＡＩモデルの出力データの長さが決定される。ＡＩモデルの入力データの長さは、収集された訓練データの訓練サンプルの中で最長である訓練サンプルの長さよりも長いか又はそれに等しく、ＡＩモデルの出力データの長さは、収集された訓練データのラベルの中で最長であるラベルの長さよりも長いか又はそれに等しい。言い換えれば、ＡＩモデルの入力データの長さは、ＡＩモデルの適用シナリオにおける全ての潜在的な無線リソース設定の中で最長である原データの長さよりも長いか又はそれに等しく、ＡＩモデルの出力データの長さは、ＡＩモデルの適用シナリオにおける全ての潜在的な無線リソース設定の中で最長である目標データの長さよりも長いか又はそれに等しい。モデル訓練ノードは、第２入力訓練データを取得するよう、入力データ処理方法に従って第１入力訓練データにパディングする。第２入力訓練データは、パディングされた第１入力訓練データと呼ばれることがあり、第２入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。具体的に、パディングは、入力データパディング方法におけるパディングデータのタイプ、データパディング規則、などに基づき、入力訓練データに対して実行され得る。例えば、ＡＩモデルの入力データの周波数領域長さは８ＲＢであり、第１入力訓練データの周波数領域長さは４ＲＢである。本願では、第１入力訓練データの周波数領域長さは４ＲＢから８ＲＢにパディングされ得る。第１入力訓練データの周波数領域長さを４ＲＢから８ＲＢにパディングする具体的なプロセスは、入力データパディング方法におけるパディングデータタイプ（例えば、特定のパディング値）及びデータパディング規則（例えば、前方でのパディング、後方でのパディング、又は等間隔のパディング）に基づき決定され得る。第１出力訓練データは、第２入力訓練データ及びＡＩモデルに基づき決定される。第１出力訓練データは、第２出力訓練データを取得するよう、出力データトランケーション方法に従ってトランケーションされる。例えば、第２出力訓練データの長さは、ラベルの長さに等しい。具体的に、第１出力訓練データをトランケーションする方法は、出力データトランケーション方法におけるトランケーション規則に基づき決定され得る。例えば、トランケーションは、第１出力訓練データの前方若しくは後方で、又は等間隔で実行される。第２出力訓練データに基づきＡＩモデルに対してパラメータ調整が実行される。例えば、本願では、損失関数の値が、第２出力訓練データ及びラベルに基づき計算され得る。損失関数の値が閾値よりも小さいか又は目標要件を満たす場合、ＡＩモデルの訓練は完了する。代替的に、損失関数の値が閾値以上であるか又は目標要件を満たさない場合、ＡＩモデルのパラメータは調整され、ＡＩモデルの訓練は続く。

【0119】

本願では、モデル訓練ノードは、訓練されたＡＩモデルをモデル推論ノードへ送ってよい。モデル推論ノードは、ＡＩモデルのためのデータ処理方法に従ってＡＩモデルに対してデータ推論を実行し得る。この設計では、モデル推論ノードがＡＩモデルのためのデータ処理方法に基づきモデル推論を実行するプロセスは：
第２入力データを取得するよう、入力データパディング方法に従って第１入力データにパディングすることと、
第２入力データ及びＡＩモデルに基づき第１出力データを決定することと、
出力データトランケーション方法に従って第１出力データをトランケーションすることと、を含み、
トランケーションは、代替的に、抽出と呼ばれることがあり、トランケーションされた第１出力データは第２出力データと呼ばれてよく、第２出力データはＡＩモデルの推論結果である。

【0120】

任意に、モデル推論プロセスにおいて入力データにパディングし、出力データをトランケーションするプロセスは、モデル訓練フェーズにおいて入力訓練データにパディングし、出力訓練データをトランケーションするプロセスと同じである。

【0121】

同じＡＩモデルを使用することによる異なる帯域幅及び異なる参照信号パターンでのチャネル推定について記載するために、周波数領域チャネル推定シナリオが例として使用される。このシナリオでは、ＡＩモデルの入力データはパディングされ、ＡＩモデルの出力データはトランケーションされる。

【0122】

理解を容易にするために、チャネル推定プロセスが最初に記載される。単一ＵＥ単一アンテナ直交周波数分割多重化（orthogonal frequency division multiplexing，ＯＦＤＭ）シンボルを有する無線信号の伝搬モデルは、

【数3】

である。Ｙは受信信号を表し、Ｓは送信信号を表し、Ｓは、チャネル推定シナリオにおける参照信号を表し、バーＨは、参照信号が位置しているリソース要素（resource element，ＲＥ）の周波数領域チャネル（応答）を表し、ｎはノイズを表し、・は要素乗算、すなわち、２つのベクトル又は行列内で同じインデックスを持った要素を乗算することを表す。Ｙ、バーＨ、及びＳの夫々の長さはＬであり、Ｌは、参照信号によって占有されるＲＥの数である。チャネル推定プロセスは次の通りである：周波数領域チャネル応答Ｈは、受信信号Ｙ及び参照信号Ｓを使用することによって推定される。Ｈは、スケジューリングされた帯域幅内の全てのＲＥでのチャネルを表し、バーＨは、Ｈの一部である。このシナリオで、モデル訓練プロセス及びモデル推論プロセスにおいて、ＡＩモデルの入力データは受信信号Ｙ及び参照信号Ｓであり、このとき、参照信号Ｓは知られており、ＡＩモデルの出力データは周波数領域チャネル応答Ｈである。

【0123】

本願において、基地局によってスケジューリングされた周波数領域チャネルの帯域幅は異なってもよい。例えば、基地局によってスケジューリングされた周波数領域チャネルの帯域幅は、４つのリソースブロック（resource blocks，ＲＢ）、８つのＲＢ、１６個のＲＢ、などであってよい。同じスケジューリングされた帯域幅について、ＵＥは、異なるタイプの参照信号、例えば、ｔｙｐｅ－１参照信号及びｔｙｐｅ－２参照信号を基地局へ送信してもよい。本願において、Ｈの長さは、スケジューリングされた帯域幅に依存し、Ｙ、バーＨ、及びＳの夫々の長さは、スケジューリングされた帯域幅及び参照信号パターンに依存する。例えば、基地局によってスケジューリングされた帯域幅はｋ個のＲＢにセットされる。１つのＲＢは１２個のＲＥを含むので、Ｈの長さは１２ｋである。図１０に示されるように、ｔｙｐｅ－１参照信号は、１ＲＥの間隔で１つのＲＥを占有するので、ｔｙｐｅ－１参照信号は、各ＲＢにおいて６つのＲＥを占有する。図１１に示されるように、ｔｙｐｅ－２参照信号は、４ＲＥの間隔で２つのＲＥを占有するので、ｔｙｐｅ－２参照信号は、各ＲＢにおいて４つのＲＥを占有する。スケジューリングされた帯域幅がｋ個のＲＢである場合、ｔｙｐｅ－１参照信号のＹ、バーＨ、及びＳの夫々の長さは６ｋであり、ｔｙｐｅ－１参照信号のＹ、バーＨ、及びＳの夫々の長さは４ｋである。

【0124】

周波数領域チャネル推定がＡＩ方式で実行される場合、ＡＩモデルの入力データはＹ及びＳである。ｔｙｐｅ－１参照信号のＹ及びＳの夫々の長さは６ｋであり、ｔｙｐｅ－２参照信号のＹ及びＳの夫々の長さは４ｋであり、このとき、ｋは、基地局によってスケジューリングされた周波数領域チャネル帯域幅である。ＡＩモデル設計の間、ＡＩモデルは、異なるスケジューリングされた帯域幅及び異なるタイプの参照信号に基づき別々に設計される必要があることが分かる。この設計では、ＡＩモデルは設計され、ＡＩは、異なるスケジューリングされた帯域幅及び異なるタイプの参照信号でのチャネル推定に適用可能であることができ、それによって、ＡＩモデルの訓練及び保持のためのオーバーヘッドを低減させる。

【0125】

続いて、チャネル推定プロセスは、訓練データ収集、訓練データ処理、モデル訓練、モデルデプロイ、モデル推論、などに関して記載される。

【0126】

訓練データ収集

【0127】

訓練データセットは、ＡＩモデルの適用シナリオに基づいて決定される。訓練データセットは、ＡＩモデルが様々な無線リソース設定で優れたパフォーマンスを達成することができるように、可能な限りの多くの適用シナリオにおける全ての可能な無線リソース設定での訓練データを含み得る。各訓練データは訓練サンプル及びラベルを含む。訓練サンプルは、代替的に、第１入力訓練データと呼ばれてもよく、受信信号Ｙ及び原信号Ｓを含む。ラベルは周波数領域チャネル応答である。例えば、ＡＩモデルが訓練されると期待される場合、チャネル推定は、スケジューリングされた帯域幅が４ＲＢ及び８ＲＢである帯域幅内のｔｙｐｅ－１参照信号及びｔｙｐｅ－２参照信号に対して実行され得る。この場合、訓練データは、４ＲＢのスケジューリングされた帯域幅内でｔｙｐｅ－１参照信号に対応する訓練データ及びｔｙｐｅ－２参照信号に対応する訓練データと、８ＲＢのスケジューリングされた帯域幅内でｔｙｐｅ－１参照信号に対応する訓練データ及びｔｙｐｅ－２参照信号に対応する訓練データとを含む。各訓練データは訓練サンプル（Ｙ，Ｓ）及びラベル（Ｈ）を含む。

【0128】

訓練データ処理

【0129】

訓練データ処理は、第１入力訓練データにパディングすることを含み、パディングされた入力訓練データは、第２入力訓練データと呼ばれ、第２入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。第１出力訓練データは、第２入力訓練データ及びＡＩモデルに基づき決定される。第１出力訓練データは、第２出力訓練データを決定するようトランケーションされ、第２出力訓練データの長さは、ラベルの長さと同じである。

【0130】

本願において、第１入力訓練データにパディングするプロセスは、次を含む。最初に、異なるタイプの参照信号ごとに、パディングは、参照信号のパターンに基づき実行されてよく、Ｙ及びＳは、Ｈの長さと同じ長さを有するようパディングされる。パディング後、Ｙ及びＳの実際な値は、参照信号が位置しているＲＥに対応する位置にのみあり、パディング値は残りのＲＥ位置にある。次いで、パディングされたＹ及びＳは、ＡＩモデルの入力データの長さ、つまり、ＡＩモデルによってサポートされている周波数領域帯域幅に基づき、再びパディングされる。このときのパディング規則は、前方でのパディング、後方でのパディング、中間でのパディング、両側でのパディング、などのうちの１つ以上であってよい。これは限定されない。パディング値は０、又は極めて大きい正の数、又は極めて小さい負の数であってよい。パディングされたデータの長さ、つまり、第２入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。

【0131】

例えば、収集された訓練データ、つまり第１入力訓練データ内の訓練サンプルは：
４ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－１参照信号に対応する受信信号

【数4】

このとき、Ｙ_ｉは、番号がｉである受信信号Ｙを表し、ｙ_ｊ ^ｉは、番号がｉである受信信号Ｙにおけるｊ番目の要素を表す；
４ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－２参照信号に対応する受信信号

【数5】

８ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－１参照信号に対応する受信信号

【数6】

８ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－２参照信号に対応する受信信号

【数7】

を含む。

【0132】

第１入力訓練データはパディングされ、このとき、パディングデータは０であってよく、パディングされた入力訓練データの長さは９６ＲＥである。任意に、訓練シナリオでは、スケジューリングされた最大帯域幅は８ＲＢ、つまり９６ＲＥであるから、ＡＩモデルの入力データの長さは９６ＲＥとして設計されると考えることができる。本願において、訓練データ内の訓練サンプルの長さは、ＡＩモデルの入力データの長さ９６ＲＥと同じであるようパディングされる。

【0133】

本願において、参照信号の異なるタイプの夫々のＹは、最初に、ラベルＨの長さと同じ長さを有するようパディングされてよく、次いで、Ｙは再びパディングされる。具体的に、パディングは、Ｙの後に実行されてもよい。複数の、パディングされた第１入力訓練データ、つまり複数の第２入力訓練データは、夫々、次の通りである：
４ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－１参照信号に対応するＹ^１がパディングされた後に取得される

【数8】

４ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－２参照信号に対応するＹ^１がパディングされた後に取得される

【数9】

８ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－１参照信号に対応するＹ^３がパディングされた後に取得される

【数10】

８ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－２参照信号に対応するＹ^４がパディングされた後に取得される

【数11】

【0134】

Ｓにパディングする方法は、Ｙにパディングする上記の方法と同様である。パディングされたＳ及びパディングされたＹは、第２入力訓練データと呼ばれ得る。パディングされたＹ及びパディングされたＳはＡＩモデルに入力される。ＡＩモデルの出力は第１出力訓練データと呼ばれ、第１出力訓練データの長さは、ＡＩモデルの出力データの長さと同じである。第１出力訓練データはトランケーションされる。トランケーションされた出力訓練データは、第２出力訓練データと呼ばれてもよく、第２出力訓練データの長さは、ラベル（周波数領域チャネル応答Ｈ）の長さと同じである。第１出力データに対するトランケーション規則は、前方でのトランケーション、後方でのトランケーション、中間でのトランケーション、両側でのトランケーション、などのうちの１つ以上であってよい。これは限定されない。任意に、トランケーション規則は、パディング規則と無関係であってよく、あるいは、パディング規則と一致してもよい。例えば、第１入力訓練データが第１入力訓練データの後方でパディングされる場合、第１出力訓練データは、第１出力訓練データの前方でトランケーションされる。

【0135】

例えば、４ＲＢのスケジューリングされた帯域幅において、ＡＩモデルの出力データの長さは９６ＲＥであり、ＡＩモデルのラベル（周波数領域チャネル応答Ｈ）の長さは４８ＲＥである、と仮定される。この場合、ＡＩモデルの出力データにおける最初の４８個の要素が、４ＲＢのラベルＨと対比されるように、トランケーションされ得る。８ＲＢのスケジューリングされた帯域幅では、ＡＩモデルの出力データはトランケーションされる必要がなく、ＡＩモデルの出力データは、８ＲＢのラベルＨなどと直接比較され得る。

【0136】

モデル訓練

【0137】

モデル訓練プロセスにおいて、モデル訓練ノードはＡＩモデルの構造を決定してよく、構造は、ＡＩモデルの入力フォーマット及び出力フォーマットを含む。ＡＩモデルの入力フォーマットにおける入力データの長さは、訓練データの中で最長である訓練サンプルの長さよりも長いか又はそれに等しい。ＡＩモデルの出力フォーマットにおける出力データの長さは、訓練データの中で最長であるラベルの長さよりも長いか又はそれに等しい。ＡＩモデルは、複数の帯域幅及び複数の異なるタイプの参照信号を含む上記の収集された訓練データが処理された後に取得された訓練データを使用することによって、訓練される。ＡＩモデルの訓練プロセスにおいて、訓練サンプル、つまり第１入力訓練データはパディングされる。パディングされた入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。ＡＩモデルの第１出力訓練データはトランケーションされ、トランケーションされた出力訓練データの長さは、対応するラベルの長さと同じである。モデル訓練ノードは、第２出力訓練データ及びラベルに基づき損失関数の値を決定し得る。損失関数の値が閾値よりも小さいか又は目標要件を満足する場合、ＡＩモデルの訓練は完了する。代替的に、損失関数の値が閾値以上であるか又は目標要件を満足しない場合、ＡＩモデルのパラメータは調整され、ＡＩモデルの訓練は続く。

【0138】

モデルデプロイ

【0139】

本願において、モデル訓練ノードは、訓練されたＡＩモデルをモデル推論ノードへ送る必要があり、更には、ＡＩモデルのためのデータ処理方法をモデル推論ノードに指示して、モデル推論ノードが同じＡＩモデルを正しく用いて、異なる帯域幅及び異なるタイプの参照信号でのチャネル推定タスクを完了できるようにする必要がある。例えば、モデルデプロイホストは、指示情報をモデル推論ノードへ送信してよく、このとき、指示情報は、ＡＩモデルのためのデータ処理方法を指示し、指示情報は、入力データパディング規則、出力データトランケーション規則、などを指示し得る。

【0140】

モデル推論

【0141】

モデル推論ノードは、異なる帯域幅及び異なるタイプの参照信号でのチャネル推定タスクを完了するために、ＡＩモデルのための、モデル訓練ノードによって指示されたデータ処理方法に従って、モデル推論を実行する。例えば、入力データは、モデル訓練プロセスでのパディング規則と同じパディング規則を使用することによってパディングされ、出力データは、モデル訓練プロセスでのトランケーション規則と同じトランケーション規則を使用することによってトランケーションされる。

【0142】

本願において、周波数領域チャネル推定が、ＡＩモデルを使用することによってチャネル推定を行うプロセスについて記載するために、一例として使用される。チャネル推定は他のシナリオも含むことが理解されるべきである。各シナリオにおいて、入力データ及び出力データは異なる。例えば、従来方法を使用することによって大まかに推定されたチャネルに対して更なるチャネル推定が実行される必要があるシナリオでは、入力データは、参照信号によって占有されるＲＥ上のノイズを含むチャネルであり、出力データは、スケジューリングされた帯域幅内の全てのＲＥ上のチャネルである。推論結果を取得するために、入力データはパディングされる必要があり、出力データはトランケーションされる必要がある。他の例として、遅延領域チャネル推定のシナリオでは、入力データは受信信号及び参照信号であり、出力データは遅延領域チャネルである。入力データはパディングされる必要があり、出力データなどに対してはデータのトランケーションは実行される必要がない。

【0143】

本願において、ＡＩモデルの入力データはパディングされ、ＡＩモデルの出力データはトランケーションされ、それにより、複数の帯域幅及び異なる参照信号パターンの場合におけるチャネル推定タスクは、１つのＡＩモデルを使用することによって完了することができる。

【0144】

同じＡＩモデルを使用することによって異なる帯域幅及び／又は異なるアンテナポート（チャネル特徴長さ）で実行されるＣＳＩフィードバックについて記載するために、ＣＳＩフィードバックシナリオが例として使用される。このシナリオでは、ＡＩモデルの入力データはパディングされ、ＡＩモデルの出力データはトランケーションされる。

【0145】

理解を容易にするために、図１２に示されるように、ＡＩベースのＣＳＩフィードバックプロシージャが最初に記載される。

【0146】

ＵＥは、ダウンリンクチャネル応答Ｈ又はダウンリンクチャネルの特徴情報Ｗを取得する。第１サブモデルがＵＥでデプロイされ、第１サブモデルはサブモデルｆと呼ばれ得る。ダウンリンクチャネル応答Ｈ又はダウンリンクチャネルの特徴情報Ｗは、サブモデルｆの入力として使用され、サブモデルｆの出力は、ＣＳＩに対応するフィードバックビットＢである。フィードバックビットＢは基地局へ送信される。第２サブモデルが基地局ではデプロイされ、第２サブモデルはサブモデルｇと呼ばれ得る。フィードバックビットＢはサブモデルｇの入力として使用され、サブモデルｇの出力は、

【数12】

である。

【0147】

ダウンリンクチャネル応答Ｈの次元は、帯域幅×アンテナポート数であり、このとき、アンテナポートには、基地局のアンテナポート及び／又はＵＥのアンテナポートが含まれる。ＣＳＩフィードバックのために基地局によって設定される帯域幅は異なってもよく、例えば、４ＲＢ又は８ＲＢであってよい。１ＲＢの粒度が例として使用される。この場合、帯域幅次元でのダウンリンクチャネルの長さは４又は８になる。ＣＳＩフィードバックのために基地局によって設定されるアンテナポート数は異なってもよく、例えば、１６ポート又は３２ポートであってよい。この場合、アンテナポート次元でのダウンリンクチャネルの長さは４又は８になる。

【0148】

ダウンリンクチャネルの特徴情報Ｗの次元は、サブ帯域の数×固有ベクトル長（基地局のアンテナポート数）である。基地局によって設定されるサブ帯域の数は異なってもよく、例えば、６サブ帯域又は１２サブ帯域であってよい。この場合、特徴情報であるサブ帯域次元におけるダウンリンクチャネルの長さは６又は１２になる。ＣＳＩフィードバックのために基地局によって設定される固有ベクトル長は異なってもよく、例えば、１６又は３２であってよい。この場合、特徴情報である固有ベクトル次元におけるダウンリンクチャネルの長さは１６又は３２になる。

【0149】

ダウンリンクチャネルの特徴情報Ｗは、ダウンリンクチャネル応答Ｈに基づき計算により取得される。具体的な計算方法は次の通りである。

【0150】

共分散行列Ｒ_ＵＵは、各サブ帯域のダウンリンクチャネル応答Ｈについて計算され、

【数13】

であり、このとき、Ｈ_ｉは、ｉ番目の単位帯域幅でのチャネルであり、Ｍはサブ帯域粒度、つまり、各サブ帯域に含まれる単位帯域幅の数である。例えば、単位帯域幅がＲＢである場合、Ｈ_ｉはｉ番目のＲＢでのチャネルであり、サブ帯域粒度が４ＲＢである場合、Ｍは４に等しい。

【0151】

固有値分解が、各サブ帯域の共分散行列に対して実行され、

【数14】

であり、このとき、λにはＲ_ＵＵの少なくとも１つの固有値が含まれ、

【数15】

は、全ての固有値に対応する固有ベクトルを含む行列である。最大固有値に対応する固有ベクトルＶ_ｍは、当該サブ帯域のチャネルの固有ベクトルである。全てのサブ帯域の固有ベクトルはその後に行列、つまり、ダウンリンクチャネルの固有ベクトル行列Ｖにまとめられ、これは、代替的に、ダウンリンクチャネルの特徴情報Ｗとも呼ばれ得る。

【0152】

任意に、ダウンリンクチャネルの特徴行列Ｖは更に処理され、よりスパースな空間に投影され得る。例えば、夫々空間領域基底Ｓ及び周波数領域基底ＦであるＤＦＴ基底の２グループが、離散フーリエ変換（discrete Fourier transform，ＤＦＴ）式を使用することによって生成される。空間－周波数結合投影については、次の式：Ｃ＝Ｓ^Ｈ＊Ｖ＊Ｆを参照されたく、このとき、Ｓ^Ｈは、Ｓの共役転置行列である。投影後に取得されたＣは、代替的に、ダウンリンクチャネルの特徴情報Ｗとも呼ばれ得る。投影後、Ｖのサブ帯域次元は遅延次元に変換され、Ｖの固有ベクトル（基地局のアンテナポート）次元はビーム（角度）次元に変換されるが、次元の長さは変わらないままである。従って、ダウンリンクチャネルの特徴情報Ｗが投影の前又は後に取得されるかどうかにかかわらず、ダウンリンクチャネルの特徴情報Ｗの次元は、サブ帯域の数×固有ベクトル長（基地局のアンテナポート数）と記述される。

【0153】

訓練データ収集

【0154】

このシナリオでは、訓練サンプル及びラベルは両方とも、ダウンリンクチャネル応答Ｈ又はダウンリンクチャネルの特徴情報Ｗである。訓練データは、異なる次元においてダウンリンクチャネル応答Ｈ又はダウンリンクチャネルの特徴情報Ｗを含み得る。具体的な次元は上で示されている。

【0155】

訓練データ処理

【0156】

訓練データ処理は、第１入力訓練データにパディングすることを含み、パディングされた入力訓練データは第２入力訓練データと呼ばれ、第２入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。第１出力訓練データは、第２入力訓練データ及びＡＩモデルに基づき決定される。第１出力訓練データは、第２出力訓練データを決定するようトランケーションされ、第２出力訓練データの長さは、ラベルの長さと同じである。

【0157】

この実施形態では、第１入力訓練データがダウンリンクチャネル応答Ｈである場合、ダウンリンクチャネル応答Ｈは、帯域幅次元及び／又はアンテナポート次元においてパディングされる必要がある。第１入力訓練データがダウンリンクチャネルの特徴情報Ｗである場合、ダウンリンクチャネルの特徴情報Ｗは、第２入力訓練データを取得するよう、サブ帯域次元及び／又は固有ベクトル次元においてパディングされる必要があり、第２入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。第１出力訓練データは、第２入力訓練データ及びＡＩモデルに基づき決定される。ラベルがダウンリンクチャネル応答Ｈである場合、第１出力訓練データは、帯域幅次元及び／又はアンテナポート次元においてトランケーションされる必要がある。ラベルがダウンリンクチャネルの特徴情報Ｗである場合、第１出力訓練データは、第２出力訓練データを取得するよう、サブ帯域次元及び／又は固有ベクトル次元においてトランケーションされる必要があり、第２出力訓練データの長さは、ラベルの長さと同じである。

【0158】

具体的なパディング方法及び具体的なトランケーション方法は、上記の実施形態におけるそれらと同様である。詳細は再び記載されない。

【0159】

モデル訓練

【0160】

モデル訓練プロセスにおいて、モデル訓練ノードはＡＩモデルの構造を決定してよく、構造は、ＡＩモデルの入力フォーマット及び出力フォーマットを含む。ＡＩモデルの入力フォーマットにおける入力データの長さは、訓練データの中で最長である訓練サンプルの長さよりも長いか又はそれに等しい。ＡＩモデルの出力フォーマットにおける出力データの長さは、訓練データの中で最長であるラベルの長さよりも長いか又はそれに等しい。ＡＩモデルは、複数の帯域幅及び複数の異なるタイプの参照信号を含む上記の収集された元の訓練データが処理された後に取得された訓練データを使用することによって、あるいは、複数個のサブ帯域及び／又は複数の固有ベクトル長を含む上記の収集された元の訓練データが処理された後に取得された訓練データを使用することによって、訓練される。ＡＩモデルの訓練プロセスにおいて、訓練サンプル、つまり第１入力訓練データはパディングされる。パディングされた入力訓練データの長さは、ＡＩモデルの入力データの長さと同じである。ＡＩモデルの第１出力訓練データはトランケーションされ、トランケーションされた出力訓練データの長さは、対応するラベルの長さと同じである。モデル訓練ノードは、第２出力訓練データ及びラベルに基づき損失関数の値を決定し得る。損失関数の値が閾値よりも小さいか又は目標要件を満足する場合、ＡＩモデルの訓練は完了する。代替的に、損失関数の値が閾値以上であるか又は目標要件を満足しない場合、ＡＩモデルのパラメータは調整され、ＡＩモデルの訓練は続く。

【0161】

モデルデプロイ

【0162】

本願において、モデル訓練ノードは、訓練されたＡＩモデルをモデル推論ノードへ送る必要があり、更には、ＡＩモデルのためのデータ処理方法をモデル推論ノードに指示して、モデル推論ノードが同じＡＩモデルを正しく用いて、異なる帯域幅及び／又は異なるアンテナポート数でのＣＳＩフィードバック推定タスクを完了できるように、あるいは、モデル推論ノードが同じＡＩモデルを用いて、異なる数のサブ帯域及び／又は異なる固有ベクトル長でのＣＳＩフィードバックタスクを完了することができるようにする必要がある。例えば、モデルデプロイホストは、指示情報をモデル推論ノードへ送信してよく、このとき、指示情報は、ＡＩモデルのためのデータ処理方法を指示し、指示情報は、入力データパディング規則、出力データトランケーション規則、などを指示し得る。

【0163】

モデル推論

【0164】

モデル推論ノードは、異なる帯域幅及び／又は異なるアンテナポート数でのＣＳＩフィードバックタスクを完了するために、あるいは、異なる数のサブ帯域及び／又は異なる固有ベクトル長でのＣＳＩフィードバックタスクを完了するために、ＡＩモデルのための、モデル訓練ノードによって指示されたデータ処理方法に従って、モデル推論を実行する。例えば、入力データは、モデル訓練プロセスでのパディング規則と同じパディング規則を使用することによってパディングされ、出力データは、モデル訓練プロセスでのトランケーション規則と同じトランケーション規則を使用することによってトランケーションされる。

【0165】

ＣＳＩフィードバックシナリオでは、ＡＩモデルのための入力データ処理方法は、ＡＩモデルの入力データがダウンリンクチャネル又はダウンリンクチャネルの特徴情報であるかどうか、ダウンリンクチャネルの特徴情報がダウンリンクチャネルの特徴行列又はスパース投影後に取得された特徴行列であるかどうか、などを更に指示し得る。ＡＩモデルのための出力データ処理方法は、ＡＩモデルの出力データがダウンリンクチャネル又はダウンリンクチャネルの特徴情報であるかどうか、ダウンリンクチャネルの特徴情報がダウンリンクチャネルの特徴行列又はスパース投影後に取得された特徴行列であるかどうか、などを更に指示し得る。

【0166】

上述されたように、ＡＩモデルのためのデータ処理方法は、次の：ＡＩモデルのための入力データ処理方法、又はＡＩモデルのための出力データ処理方法、のうちの少なくとも１つを含む。この設計では、ＡＩモデルのための入力データ処理方法が入力データトランケーション方法であり、ＡＩモデルのための出力データ処理方法が出力データパディング方法であることが、主に記載される。代替的に、それは、次のように記載されてもよい：ＡＩモデルのためのデータ処理方法は、次の：ＡＩモデルのための入力データトランケーション方法又はＡＩモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0167】

この設計では、モデル訓練ノードがＡＩモデルのためのデータ処理方法に従ってモデル訓練を実行することは、入力データトランケーション方法に従って第１入力訓練データをトランケーションして第２入力訓練データを取得し、第２入力訓練データ及びＡＩモデルに基づき第１出力訓練データを決定し、出力データパディング方法に従って第１出力訓練データにパディングして第２出力訓練データを取得し、第２出力訓練データに基づきＡＩモデルに対してパラメータ調整を実行することを含む。

【0168】

この設計では、モデル推論ノードがＡＩモデルのためのデータ処理方法に従ってモデル推論を実行することは、入力データトランケーション方法に従って第１入力データをトランケーションして第２入力データを取得し、第２入力データ及びＡＩモデルに基づき第１出力データを決定し、出力データパディング方法に従って第１出力データにパディングすることを含む。パディングされた第１出力データは、第２出力データと呼ばれることがあり、第２出力データは、ＡＩモデルの推論結果と呼ばれることがある。

【0169】

この設計では、入力データトランケーション方法は、次の：トランケーション後に取得された長さ、又はデータトランケーション規則、のうちの少なくとも１つを含み得る。出力データパディング方法は、次の：パディング後に取得された長さ、パディングデータタイプ、データパディング規則、など、のうちの少なくとも１つを含み得る。具体的なトランケーション及びパディングの説明については、上記の設計を参照されたい。

【0170】

例えば、入力データ内の部分データが有効なデータであり、入力データ内の残りの部分は無効なデータであるか、あるいは、入力データのエネルギが主に部分データに集中している場合、入力データはモデル推論プロセス又はモデル訓練プロセスでトランケーションされ得る。異なる長さの入力データは、統一された長さを有するようトランケーションされる。トランケーションされた入力データの長さは、ＡＩモデルの入力データの長さと同じである。出力データは、トランケーションされた入力データ及びＡＩモデルに基づき決定される。次いで、ＡＩモデルの出力データはパディングされる。

【0171】

ＣＳＩフィードバックシナリオが例として使用される。ダウンリンクチャネルの特徴情報Ｗがスパース投影後に取得された特徴行列である場合、Ｗは角度領域及び／又は遅延領域で疎であり、すなわち、Ｗの次元はサブ帯域の数×固有ベクトル長であるが、行列内のほとんどの要素の値は小さく、行例の総エネルギはいくつかの角度及び遅延パスに主に集中している。この場合、ダウンリンクチャネルの特徴情報Ｗはトランケーションされてよく、大きい値を持ったいくつかの要素のみが、第２入力データを取得するよう留保される。第１出力データは、第２入力データ及びＡＩに基づき決定され、次いで、第１出力データは、第２出力データ、つまり、ＡＩモデルを使用することによってリストアされたダウンリンクチャネルの特徴情報

【数16】

を取得するよう、パディングされる。

【0172】

上記の設計では、入力データはトランケーションされ、出力データはパディングされ、それにより、異なるシナリオでのタスク推論は、１つのＡＩモデルを使用することによって完了できる。

【0173】

他の設計では、ＡＩモデルは第１サブモデル及び第２サブモデルを含む。ＡＩモデルのためのデータ処理方法は、次の：第１サブモデルの出力に対するデータトランケーションの実行、又は第２サブモデルの入力に対するデータパディングの実行、のうちの少なくとも１つを含む。代替的に、それは次のように記載されてもよい：ＡＩモデルのためのデータ処理方法は、次の、ＡＩモデル（例えば、第１サブモデル）のための出力データトランケーション方法、又はＡＩモデル（例えば、第２サブモデル）のための入力データパディング方法、のうちの少なくとも１つを含む。

【0174】

この設計では、モデル訓練ノードがＡＩモデルのためのデータ処理方法に従ってモデル訓練を実行することは、第１サブモデルの入力訓練データ及び第１サブモデルに基づき第１サブモデルの第１出力訓練データを決定することと、第１サブモデルの第２出力訓練データを取得し、第１サブモデルの第２出力訓練データに基づき第２サブモデルの第１入力訓練データを取得するよう、出力データトランケーション方法に従って第１出力訓練データに対してデータトランケーションを実行することと、第２入力訓練データを取得するよう、入力データパディング方法に従って第２サブモデルの第１入力訓練データに対してデータパディングを実行することと、第２入力訓練データ及び第２サブモデルに基づき第２サブモデルの出力訓練データを決定することと、第１サブモデルの入力訓練データ及び第２サブモデルの出力訓練データに基づき、次の、第１サブモデルのモデルパラメータ、又は第２サブモデルのモデルパラメータ、のうちの少なくとも１つを調整することと、を含む。

【0175】

モデル推論ノードがＡＩモデルのためのデータ処理方法に従ってモデル推論を実行することは、第１サブモデルの第１出力データを決定し、出力データトランケーション方法に従って第１出力データに対してデータトランケーションを実行することを含む。モデル推論ノードがＡＩモデルのためのデータ処理方法に従ってモデル推論を実行することは、入力データパディング方法に従って第１入力データにパディングして第２入力データを取得し、第２入力データ及び第２サブモデルに基づき第１出力データを決定することを含む。具体的な入力データパディング方法及び具体的な出力データトランケーション方法については、上記の設計の説明を参照されたい。

【0176】

本願では、第１サブモデルのモデル推論ノード及び第２サブモデルのモデル推論ノードは、同じノード又は異なるノードであってよい。これは限定されない。例えば、ダウンリンクチャネル測定シナリオでは、第１サブモデルの推論ノードはＵＥであり、第２サブモデルの推論ノードは基地局であってよい、など。代替的に、アップリンクチャネル測定シナリオでは、第１サブモデルの推論ノードは基地局であり、第２サブモデルの推論ノードはＵＥであってよい、など。

【0177】

ダウンリンクチャネルのＣＳＩフィードバックシナリオが、同じＡＩモデルを使用することによってフィードバックビットの異なる長さの場合におけるＣＳＩフィードバックについて説明するために、例として使用される。

【0178】

無線ネットワークにおいて、フィードバックビットＢの長さは基地局によって決定され、通常は固定されない。例えば、基地局がより高いＣＳＩ回復精度を得ることを期待する場合、ＵＥは、より多くのフィードバックビットをフィードバックし得る。この場合、フィードバックビットＢの長さは長い。代替的に、基地局がＣＳＩフィードバックオーバーヘッドを減らすことを期待する場合、ＵＥは、より少ないフィードバックビットをフィードバックし得る。この場合、フィードバックビットＢの長さは短い。設計において、フィードバックビットＢの長さは固定されないので、各フィードバックビットＢについて、互いに対応するサブモデルｆ及びサブモデルｇの対は訓練される必要がある。その結果、ＡＩモデルの訓練及び保持のためのオーバーヘッドは高い。

【0179】

本願では、ＡＩモデルが設計されてよく、ＡＩモデルは、フィードバックビットＢの異なる長さの場合に適用可能であり得る。続いて、本願は、訓練データ収集、訓練データ処理、モデル訓練、モデルデプロイ、モデル推論、などに関して記載される。

【0180】

訓練データ収集

【0181】

ＣＳＩフィードバックシナリオでは、フィードバックビットは、ＣＳＩフィードバックＡＩモデル全体の中間結果であり、サブモデルｆの出力データ及びサブモデルｇの入力データとしても考えることができる。本願では、フィードバックビットＢは訓練データとしても考えられる。

【0182】

訓練データセットは、ＡＩモデルの適用シナリオに基づいて決定される。訓練データセットは、ＡＩモデルが様々な長さのフィードバックビットＢで優れたパフォーマンスを達成することができるように、当該適用シナリオにおけるフィードバックビットＢの全てのとり得る長さの訓練データを含む。本願において、訓練データの夫々は訓練サンプル、フィードバックビットＢ、及びラベルを含む。訓練サンプル及びラベルは、同じであり、両方ともダウンリンクチャネル又はダウンリンクチャネルの特徴情報Ｈである。例えば、フィードバックビットＢの長さが２０、３０、及び４０であるＣＳＩフィードバックに適用可能であり得るＡＩモデルが訓練されると期待される場合、訓練データは、長さが２０、４０、及び６０であるフィードバックビットＢを含む。確かに、訓練データは、全ての長さのフィードバックビットＢに対応する訓練サンプル及びラベルを含む必要が更にある。例えば、長さが２０であるフィードバックビットＢの場合、訓練データは訓練サンプル、フィードバックビットＢ（２０）及びラベルを含む必要がある。訓練サンプルは、ＵＥによって取得されたダウンリンクチャネル又はダウンリンクチャネルの特徴情報Ｈであってよく、ラベルは、基地局によって正確にリストアされたダウンリンクチャネル又はダウンリンクチャネルの特徴情報

【数17】

であってよい。

【0183】

訓練データ処理

【0184】

本願では、図１３に示されるように、訓練データ処理は、サブモデルｆの出力データの長さがフィードバックビットＢの長さが同じであることができるようサブモデルｆの出力データをトランケーションし、フィードバックビットＢの長さがサブモデルｇの入力データの長さと同じであることができるようにするようフィードバックビットＢにパディングすることを含む。

【0185】

本願において、トランケーション規則は、前方でのトランケーション、後方でのトランケーション、中間でのトランケーション、両側でのトランケーション、等しい間隔のトランケーション、等しくない間隔のトランケーション、などのうちの１つ以上であってよい。これは限定されない。

【0186】

例えば、サブモデルｆの出力データはＡ＝［Ａ_１，Ａ_２，・・・，Ａ_６０］である。

【0187】

フィードバックビットＢの長さが２０である場合、２０個の要素が、サブモデルｆの出力データＡからトランケーションされ得る。例えば、最初の２０個の要素がＡからトランケーションされてよく、トランケーションされた出力データはフィードバックビットＢ＝［Ａ_１，Ａ_２，・・・，Ａ_２０］である。代替的に、１つの要素が、３要素の間隔でＡからトランケーションされ、フィードバックビットはＢ＝［Ａ_１，Ａ_４，・・・，Ａ_５８］である。

【0188】

フィードバックビットＢの長さが４０である場合、４０個の要素がＡからトランケーションされ得る。例えば、最初の４０個の要素がＡからトランケーションされ、フィードバックビットはＢ＝［Ａ_１，Ａ_２，・・・，Ａ_４０］である。代替的に、２つの要素が、３要素の間隔でＡからトランケーションされ、フィードバックビットはＢ＝［Ａ_１，Ａ_２，Ａ_４，Ａ_５，・・・，Ａ_５８，Ａ_６０］である。

【0189】

フィードバックビットの長さが６０である場合、データトランケーションはＡに対して実行されなくてもよく、フィードバックビットはＢ＝［Ａ_１，Ａ_２，・・・，Ａ_６０］である。

【0190】

トランケーション後、訓練データは、異なる長さのフィードバックビットを含むので、訓練データはパディングされる必要がある。パディングされたデータは、サブモデルｇの入力として使用される。パディング規則は、前方でのパディング、後方でのパディング、中間でのパディング、両側でのパディング、等しい間隔のパディング、又は等しくない間隔のパディングのうちの１つ以上であってよい。これは限定されない。パディング値は０、又は極めて大きい正の数、又は極めて小さい負の数などであってよい。これは限定されない。

【0191】

例えば、フィードバックビットＢの長さが２０であり、サブモデルｇの第１入力データがフィードバックビットＢ＝［Ａ_１，Ａ_２，・・・，Ａ_２０］であり、サブモデルｆの入力長さが６０である場合、サブモデルｇのパディングされた入力データはＣ＝［Ａ_１，Ａ_２，・・・，Ａ_２０，０，０，・・・，０］である。

【0192】

フィードバックビットＢの長さが４０であり、サブモデルｇの第１入力データがフィードバックビットＢ＝［Ａ_１，Ａ_２，・・・，Ａ_４０］であり、サブモデルｆの入力長さが６０である場合、サブモデルｇのパディングされた入力データはＣ＝［Ａ_１，Ａ_２，・・・，Ａ_４０，０，０，・・・，０］である。

【0193】

フィードバックビットＢの長さが６０であり、サブモデルｆの入力データの長さが６０である場合、フィードバックビットＢはもはやパディングされず、サブモデルｇの入力はＣ＝Ｂ＝［Ａ_１，Ａ_２，・・・，Ａ_６０］である。

【0194】

パディング規則はトランケーション規則と無関係であってよく、あるいは、トランケーション規則と一致してもよい。例えば、サブモデルｆの出力データの前方にある要素がトランケーションされている場合、フィードバックビットは、フィードバックビットの後方にパディングされ得る、など。

【0195】

なお、本願では、フィードバックビットＢが訓練データとして見なされているが、実際には、フィードバックビットＢはＡＩモデルによって生成された中間結果であり、すなわち、フィードバックビットＢは訓練又は推論プロセスでのみ生成される。フィードバックビットＢに対する上記のトランケーション操作及びパディング操作は、訓練又は推論プロセスで行われる。

【0196】

モデル訓練

【0197】

ＡＩモデルの入力データの長さ及び出力データの長さが決定される。サブモデルｆの出力データの長さは、訓練データの中で最長であるフィードバックビットＢの長さよりも長いか又はそれに等しく、サブモデルｇの入力データの長さは、訓練データの中で最長であるフィードバックビットＢの長さよりも長いか又はそれに等しい。

【0198】

サブモデルｆ及びサブモデルｇは、複数の長さのフィードバックビットＢを含む上記の訓練データが処理された後に取得された訓練データを使用することによって、訓練される。上述されたように、訓練データは、訓練サンプル、ラベル、及びフィードバックビットＢを含む。モデル訓練プロセスは、次の：入力訓練データ（例えば、訓練サンプル）をサブモデルｆに入力して、サブモデルｆの第１出力訓練データを取得することと、サブモデルｆの第２出力データを取得するよう、サブモデルｆの第１出力訓練データをトランケーションし、第１出力訓練データの長さが目標長さにトランケーションされ、目標長さがＡＩモデルの適用シナリオにおけるフィードバックビットの全ての可能性がある長さであることと、サブモデルｆの第２出力データに基づきサブモデルｇの第１入力訓練データを取得することと、第１入力訓練データにパディングし、パディングされた第１入力訓練データの長さがサブモデルｇの入力長さと同じであり、パディングされた第１入力訓練データが第２入力訓練データと呼ばれることと、第２入力訓練データ及びサブモデルｇに基づきサブモデルｇの出力訓練データを取得することと、サブモデルｆの入力訓練データ及びサブモデルｇの出力訓練データに基づき、次の：サブモデルｆのパラメータ、又はサブモデルｇのパラメータ、のうちの少なくとも１つを調整することとを含む。例えば、第１サブモデルｆのものである、１つの入力訓練データ（すなわち、訓練サンプル）及び対応するラベルが決定され、損失関数の値が、ラベル及びサブモデルｇの出力訓練データに基づき決定され、損失関数の値が閾値よりも小さいか又は目標要件を満足する場合、サブモデルｆ及びサブモデルｇの訓練は完了し、あるいは、損失関数の値が閾値以上であるか又は目標要件を満足しない場合、サブモデルｆのパラメータ及び／又はサブモデルｇのパラメータは調整され、サブモデルｆ及びサブモデルｇの訓練は続く。

【0199】

モデルデプロイ

【0200】

モデル訓練を実行するノードがモデル推論を実行するノードとは異なる場合、モデルデプロイが実行される必要がある。具体的に言えば、モデル訓練ノードは、訓練されたＡＩモデルをモデル推論ノードへ送る必要がある。本願において、モデル訓練ノードは、ＡＩモデルをモデル推論ノードへ送る必要があり、更には、ＡＩモデルのためのデータ処理方法をモデル推論ノードに指示して、モデル推論ノードが同じＡＩモデルを正しく用いて、異なる長さのフィードバックビットＢでのＣＳＩフィードバックタスクを完了できるようにする必要がある。ＡＩモデルのためのデータ処理方法は、データパディング規則、データトランケーション規則、などを含む。

【0201】

モデル推論

【0202】

モデル推論ノードは、ＡＩモデルのための、モデル訓練ノードによって指示されたデータ処理方法に従って、フィードバックビットＢの異なる長さでのＣＳＩフィードバックタスクを完了するために、ＡＩモデルを正しく使用し得る。言い換えれば、モデル推論ノードは、訓練データ処理方法の規則と同じ規則を使用することによって、モデル推論中にデータを処理する。例えば、ＵＥがサブモデルｆを使用する場合、ＵＥはダウンリンクチャネル応答Ｈを取得し、ダウンリンクチャネル応答Ｈをサブモデルｆに入力して、サブモデルｆの出力データを取得する。ＵＥは、基地局によって設定されたフィードバックビットＢの長さに基づいて、かつ、訓練中にサブモデルｆの出力データのために使用されたのと同じトランケーション規則を使用することによって、推論中にサブモデルｆの出力データをトランケーションして、推論のためのフィードバックビットＢを取得する。ＵＥはフィードバックビットＢを基地局にフィードバックする。基地局は、訓練中にフィードバックビットＢにパディングするために使用されたのと同じパディング方式で、推論中にフィードバックビットにパディングし、次いで、サブモデルＢを使用することによってダウンリンクチャネル応答Ｈをリストアする。

【0203】

この設計では、サブモデルｆの出力は、異なる長さのフィードバックビットＢにトランケーションされ、異なる長さのフィードバックビットＢは、サブモデルｇの同じ長さの入力データにパディングされ、それにより、複数の長さのフィードバックビットＢの場合におけるＣＳＩフィードバックに使用され得るＡＩモデルは訓練され得る。

【0204】

本願では、第１サブモデルの第１出力データが訓練され、第２サブモデルの入力データがパディングされる例が、説明のために使用され、本願を限定する意図はない。例えば、設計において、第１サブモデルの出力データはパディングされてよく、第２サブモデルの入力データはトランケーションされてよい、など。更に、本願では、第１サブモデルの出力データ及び第２サブモデルの入力のデータを処理するプロセスが、主に記載される。本願では、第１サブモデルの入力データ及び第２サブモデルの出力データが処理されるかどうかは限定されない。例えば、設計において、第１サブモデルの第１入力データは、第１サブモデルの第２入力データを取得するよう処理されてよく、第１サブモデルの第１出力データは、第１サブモデルの第２入力データ及び第１サブモデルに基づき決定され、第１サブモデルの第１出力データは、第１サブモデルの第２出力データを取得するようトランケーション（又はパディング）される。第２サブモデルの第１入力データは、第１サブモデルの第２出力データに基づき取得される。第２サブモデルの第１入力データは、第２サブモデルの第２入力データを取得するようパディング（又はトランケーション）される。第２サブモデルの第１出力データは、第２サブモデルの第２入力データ及び第２サブモデルに基づき取得される。第２サブモデルの第１出力データは、第２サブモデルの第２出力データを取得するよう処理される。第１サブモデルの第１入力データを処理する方式及び第２サブモデルの第１出力データを処理する方式は限定されない。例えば、本願は、入力データ及び出力データを処理する上記のプロセスと組み合わされてよい。例えば、第１サブモデルの第１入力データはパディング又はトランケーションされ、第２サブモデルの第１出力データはトランケーション又はパディングされる。

【0205】

他の設計では、ＡＩモデルのためのデータ処理方法は、次の、入力データ分割方法又は出力データ再組み立て方法、のうちの少なくとも１つを含む。

【0206】

この設計では、モデル訓練ノードがＡＩモデルのためのデータ処理方法に従ってモデル訓練を実行することは、入力データ分割方法に従って第１入力訓練データに対してデータ分割を実行して、第２入力訓練データを取得することと、第２入力訓練データ及びＡＩモデルに基づき第１出力訓練データを決定することと、出力データ再組み立て方法に従って第１出力訓練データに対してデータ再組み立てを実行して、第２出力訓練データを取得することと、第２出力訓練データに基づきＡＩモデルに対してパラメータ調整を実行することとを含む。

【0207】

モデル推論ノードがＡＩモデルのためのデータ処理方法に従ってモデル推論を実行することは、入力データ分割方法に従って第１入力データに対してデータ分割を実行して、第２入力データを取得することと、第１入力データ及びＡＩモデルに基づき第１出力データを取得することと、出力データ再組み立て方法に従って第１出力データに対してデータ再組み立てを実行して、第２出力データを取得することとを含む。

【0208】

例えば、入力データ及び／又は出力データが処理される必要があるＴｒａｎｓｆｏｒｍｅｒなどのＡＩモデルが、説明のための例として使用される。

【0209】

Ｔｒａｎｓｆｏｒｍｅｒは、シーケンス・ツー・シーケンスＡＩモデルであり、翻訳などの自然言語処理分野に適用された最も古いものである。センテンスの長さは様々であり、Ｔｒａｎｓｆｏｒｍｅｒの特徴の１つは、Ｔｒａｎｓｆｏｒｍｅｒが任意の長さの入力をサポートすることである。従って、理論上、Ｔｒａｎｓｆｏｒｍｅｒは、異なる無線リソース設定のための信号処理に適用可能であり得る。図１４に示されるように、Ｔｒａｎｓｆｏｒｍｅｒの入力及び出力は両方ともベクトルセットである。無線信号処理では、通常、処理される必要がある対象は無線信号、無線チャネル、などである。無線信号又は無線チャネルの次元には、通常、時間領域、周波数領域、空間領域、などがある。従って、Ｔｒａｎｓｆｏｒｍｅｒが無線信号処理に適用される場合、原データは処理され、ベクトルセットに変換され、Ｔｒａｎｓｆｏｒｍｅｒに入力される必要がある。次いで、Ｔｒａｎｓｆｏｒｍｅｒによって出力されたベクトルセットは目標データに変換される。

【0210】

原データをベクトルセットに変換し、ベクトルセットを目標データに変換する複数の方法が存在し得る。例えば、原データが１２個のサブキャリア及び１４個のＯＦＤＭシンボルである無線チャネルが例として使用される。図１５に示されるように、時間領域次元において、１２×１４の原データは、次元が１２である１４個のベクトルに直接分割され得る。代替的に、図１６に示されるように、１２×１４の原データは、最初に、２×７の１２個の行列に分けられてよく、次いで、２×７の各行列は、次元が１４であるベクトルに変換される。確かに、他の分割方法が更に使用されてもよい。同様に、Ｔｒａｎｓｆｏｒｍｅｒによって出力された複数のベクトル目標データに組み立て直す複数の方法が存在する。

【0211】

複数の原データ分割方法及び複数の目標データ再組み立て方法が存在する。従って、モデル訓練ノードは、訓練されたＡＩモデルをモデル推論ノードへ送る必要があり、更には、訓練中の原データ分割方法及び目標データ再組み立て方法をモデル推論ノードに通知して、モデル推論ノードがＡＩモデルを正しく用いてモデル推論を完了することができることを確かにする必要がある。モデル推論ノードは、訓練中に使用されたのと同じ方法を使用することによって、原データを分割し、ＡＩモデルの出力データを組み立て直す。

【0212】

本願において、入力及び出力が特定の要件に従うＴｒａｎｓｆｏｒｍｅｒなどのＡＩモデルの場合、モデル訓練ノードは、モデル推論ノードに対して、原データ分割方法と、ＡＩの出力データを組み立て直す方法とを指示し、それにより、ＡＩモデルは無線ネットワーク内で信号を正確に処理することができる。

【0213】

上記の方法における機能を実装するために、モデル訓練ノード及びモデル利用ノードは、機能を実行するための対応するハードウェア構造及び／又はソフトウェアモジュールを含むことが理解され得る。当業者であれば、本願で記載される例におけるユニット及び方法ステップを参照して、本願がハードウェア又はハードウェアとコンピュータソフトウェアとの組み合わせによって実装され得ることに容易に気付くはずである。機能がハードウェア又はコンピュータソフトウェアによって駆動されるハードウェアによって実行されるかどうかは、技術的解決法の特定の適用シナリオ及び設計制約に依存する。

【0214】

図１７及び図１８は、夫々、本願に従う可能な通信装置の可能な構造の図である。これらの通信装置は、上記の方法におけるモデル訓練ノード又はモデル推論ノードの機能を実装するよう構成されてよく、従って、上記の方法の有利な効果を実現することもできる。

【0215】

図１７に示されるように、通信装置１７００は処理ユニット１７１０及びトランシーバユニット１７２０を含む。通信装置１７００は、図８に示されている方法における第１ノードの機能を実装するよう構成される。第１ノードはモデル訓練ノード又はモデル推論ノードであってよい。通信装置１７００が図８に示される方法における第１ノードの機能を実装するよう構成される場合に、それは次の通りである。

【0216】

設計において、処理ユニット１７１０は、モデルのためのデータ処理方法を決定し、モデルのためのデータ処理方法に従って、次の：モデル訓練の実行又はモデル推論の実行、のうちの少なくとも１つを実施するよう構成され、このとき、
モデルのためのデータ処理方法は、次の：モデルのための入力データパディング方法又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の：モデルのための入力データトランケーション方法又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0217】

他の設計では、トランシーバユニット１７２０は、指示情報を第２ノードへ送るよう構成され、指示情報は、モデルのためのデータ処理方法を指示し、このとき、
モデルのためのデータ処理方法は、次の：モデルのための入力データパディング方法又はモデルのための出力データトランケーション方法、のうちの少なくとも１つを含むか、あるいは、モデルのためのデータ処理方法は、次の：モデルのための入力データトランケーション方法又はモデルのための出力データパディング方法、のうちの少なくとも１つを含む。

【0218】

処理ユニット１７１０及びトランシーバユニット１７２０のより詳細な記載については、図８に示される方法の関連する記載を直接参照されたい。詳細はここで記載されない。

【0219】

図１８に示されるように、通信装置１８００はプロセッサ１８１０及びインターフェース回路１８２０を含む。プロセッサ１８１０及びインターフェース回路１８２０は互いに結合される。インターフェース回路１８２０はトランシーバ又は入力／出力インターフェースであってよいことが理解され得る。任意に、通信装置１８００は、プロセッサ１８１０によって実行される命令を記憶するか、又はプロセッサ１８１０による命令の実行に必要な入力データを記憶するか、又はプロセッサ１８１０が命令を実行した後に生成されるデータを記憶するよう構成されるメモリ１８３０を更に含んでもよい。

【0220】

通信装置１８００が上記の方法を実装するよう構成される場合、プロセッサ１８１０は、処理ユニット１７１０の機能を実装するよう構成され、インターフェース回路１８２０は、トランシーバユニット１７２０の機能を実装するよう構成される。

【0221】

通信装置が第１ノードに適用されるモジュールである場合、第１ノードのモジュールは、上記の方法における第１ノードの機能を実装する。第１ノードのモジュールは、第１ノードの他のモジュール（例えば、無線周波数モジュール又はアンテナ）から情報を受信し、このとき、情報は、第２ノードによって第１ノードへ送られる。代替的に、第１ノードのモジュールは、情報を第１ノードの他のモジュール（例えば、無線周波数モジュール又はアンテナ）へ送り、このとき、情報は、第１ノードによって第２ノードへ送られる。ここでの第１ノードのモジュールは、第１ノードのベースバンドチップであってよく、あるいは、他のモジュールであってもよい。

【0222】

本願のプロセッサは中央演算処理装置（central processing unit，ＣＰＵ）であってよく、あるいは、他の汎用プロセッサ、デジタル信号プロセッサ（digital signal processor，ＤＳＰ）、若しくは特定用途向け集積回路（application-specific integrated circuit，ＡＳＩＣ）、フィールド・プログラマブル・ゲート・アレイ（field programmable gate array，ＦＰＧＡ）、若しくは他のプログラム可能なロジックデバイス、トランジスタロジックデバイス、ハードウェア部品、又はそれらの任意の組み合わせであってもよい。汎用プロセッサはマイクロプロセッサであってよく、あるいは、任意の通常のプロセッサであってもよい。

【0223】

本願のメモリはランダム・アクセス・メモリ、フラッシュメモリ、リード・オンリー・メモリ、プログラム可能リード・オンリー・メモリ、消去可能なプログラム可能リード・オンリー・メモリ、電気的消去可能なプログラム可能リード・オンリー・メモリ、レジスタ、ハードディスク、リムーバブルハードディスク、ＣＤ－ＲＯＭ、又は当該技術でよく知られている任意の他の形態の記憶媒体であってよい。

【0224】

例えば、記憶媒体はプロセッサへ結合され、それにより、プロセッサは記憶媒体から情報を読み出したり、情報を記憶媒体書き込んだりすることができる。記憶媒体は、代替的に、プロセッサのコンポーネントであってもよい。プロセッサ及び記憶媒体はＡＳＩＣに配置されてもよい。更に、ＡＳＩＣは基地局又は端末に位置してよい。確かに、プロセッサ及び記憶媒体は基地局又は端末に別個のコンポーネントとして存在してよい。

【0225】

本願の方法の一部又は全てはソフトウェア、ハードウェア、ファームウェア、又はそれらの任意の組み合わせによって実施され得る。ソフトウェアが方法を実施するために使用される場合、方法の一部又は全てはコンピュータプログラム製品の形で実施されてよい。コンピュータプログラム製品は１つ以上のコンピュータプログラム又は命令を含む。コンピュータプログラム又は命令がコンピュータにロードされて実行されるとき、本願に従うプロシージャ又は機能の全て又は一部が実行される。コンピュータは汎用コンピュータ、専用コンピュータ、コンピュータネットワーク、ネットワークデバイス、ユーザ装置、コアネットワークデバイス、ＯＡＭ、又は他のプログラム可能な装置であってよい。コンピュータプログラム又は命令は、コンピュータ可読記憶媒体に記憶されてよく、あるいは、コンピュータ可読記憶媒体から他のコンピュータ可読記憶媒体へ伝送されてよい。例えば、コンピュータプログラム又は命令は１つのウェブサイト、コンピュータ、サーバ、又はデータセンターから他のウェブサイト、コンピュータ、サーバ、又はデータセンターへ有線又は無線方式で伝送されてよい。コンピュータ可読記憶媒体は、コンピュータがアクセスできる任意の有用な媒体、又はデータ記憶デバイス、例えば、１つ以上の有用な媒体を組み込んだサーバ又はデータセンターであってよい。有用な媒体は、磁気媒体、例えばフロッピーディスク、ハードディスク、又は磁気テープであってよく、あるいは、光学媒体、例えばデジタルビデオディスクであってよく、あるいは、半導体媒体、例えばソリッドステートドライブであってよい。コンピュータ可読記憶媒体は揮発性又は不揮発性記憶媒体であってよく、あるいは、２種類の記憶媒体、つまり、揮発性記憶媒体と不揮発性記憶媒体を含んでもよい。

【0226】

本願で、別なふうに述べられない限り又は論理的矛盾がない限り、異なる実施形態における用語及び／又は記載は一貫性があり、相互参照されてよく、異なる実施形態における技術的特徴は、新しい実施形態を形成するように、その内部の論理的な関係に基づいて組み合わされてよい。

【0227】

本願で、「少なくとも１つ」は１つ以上を意味し、「複数」は２つ以上を意味する。「及び／又は」は、関連するオブジェクトどうしの関連付け関係を記述し、３つの関係が存在する可能性があることを表す。例えば、Ａ及び／又はＢは、次の場合、Ａが単独で存在、ＡとＢの両方が存在、及びＢが単独で存在を表すことができ、Ａ及びＢは単数又は複数であってよい。本願のテキスト記載において、「／」の文字は、通常、関連するオブジェクトどうしの「又は」関係を示す。本願中の式において、「／」の文字は、関連するオブジェクトどうしの「除算」関係を示す。「Ａ、Ｂ又はＣのうちの少なくとも１つを含む」とは、Ａを含むこと、Ｂを含むこと、Ｃを含むこと、ＡとＢを含むこと、ＡとＣを含むこと、ＢとＣを含むこと、ＡとＢとＣを含むことを示し得る。

【0228】

本願で使用される様々な数字は、記載を容易にするために区別されているに過ぎず、本願の範囲を限定する意図はないことが理解され得る。上記のプロセスの連続番号は実行順序を意味するものではなく、プロセスの実行順序は、プロセスの機能及び内部ロジックに基づき決定されるべきである。

【0229】

［関連出願の相互参照］
本願は、２０２１年１２月３１日に中国国家知識産権局に出願された、発明の名称が「DATA PROCESSING METHOD FOR MODEL, AND APPARATUS」である中国特許出願第２０２１１１６５８５２８．４号の優先権を主張するものであり、先の中国特許出願は、その全文を参照により本願に援用される。

【図1】

【図2】

【図3】

【図4a】

【図4b】

【図4c】

【図5】

【図6】

【図7】

【図8】

【図9A】

【図9B】

【図9C】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【手続補正書】

【提出日】2024-08-09

【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】

モデルのためのデータ処理方法であって、
前記モデルのための前記データ処理方法を決定することと、
前記モデルのための前記データ処理方法に従って、次の、モデル訓練の実行、又はモデル推論の実行、のうちの少なくとも１つを実施することと、を有し、
前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データパディング方法、又は前記モデルのための出力データトランケーション方法、のうちの少なくとも１つを有するか、あるいは、前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データトランケーション方法、又は前記モデルのための出力データパディング方法、のうちの少なくとも１つを有する、
方法。

【請求項2】

前記した、前記モデルのための前記データ処理方法を決定することは、
第１ノードから、前記モデルのための前記データ処理方法を指示する指示情報を受け取ることと、
プロトコルで定義されているように前記モデルのための前記データ処理方法を決定することと、を有する、
請求項１に記載の方法。

【請求項3】

前記入力データパディング方法又は前記出力データパディング方法は、次の、パディングされたデータの長さ、パディングデータタイプ、又はデータパディング規則、のうちの少なくとも１つを有する、
請求項１に記載の方法。

【請求項4】

前記出力データトランケーション方法又は前記入力データトランケーション方法は、次の、トランケーション後のデータの長さ、又はデータトランケーション規則、のうちの少なくとも１つを有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項5】

前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
第２入力データを取得するよう、前記入力データパディング方法に従って第１入力データに対してデータパディングを実行することと、
前記第２入力データ及び前記モデルに基づき第１出力データを決定することと、
前記出力データトランケーション方法に従って前記第１出力データに対してデータトランケーションを実行することと、を有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項6】

前記モデルのための前記データ処理方法に従って前記モデル訓練を実行することは、
第２入力訓練データを取得するよう、前記入力データパディング方法に従って第１入力訓練データに対してデータパディングを実行することと、
前記第２入力訓練データ及び前記モデルに基づき第１出力訓練データを決定することと、
第２出力訓練データを取得するよう、前記出力データトランケーション方法に従って前記第１出力訓練データに対してデータトランケーションを実行することと、
前記第２出力訓練データに基づき前記モデルに対してパラメータ調整を実行することと、を有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項7】

前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
第２入力データを取得するよう、前記入力データトランケーション方法に従って第１入力データに対してデータトランケーションを実行することと、
前記第２入力データ及び前記モデルに基づき第１出力データを決定することと、
前記出力データパディング方法に従って前記第１出力データに対してデータパディングを実行することと、を有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項8】

前記モデルのための前記データ処理方法に従って前記モデル訓練を実行することは、
第２入力訓練データを取得するよう、前記入力データトランケーション方法に従って第１入力訓練データに対してデータトランケーションを実行することと、
前記第２入力訓練データ及び前記モデルに基づき第１出力訓練データを決定することと、
第２出力訓練データを取得するよう、前記出力データパディング方法に従って前記第１出力訓練データに対してデータパディングを実行することと、
前記第２出力訓練データに基づき前記モデルに対してパラメータ調整を実行することと、を有する、
請求項１乃至３のいずれか一項に記載の方法。

【請求項9】

前記モデルは第１サブモデルを有し、前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
前記第１サブモデルの第１出力データを決定することと、
前記出力データトランケーション方法に従って前記第１出力データに対してデータトランケーションを実行することと、を有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項10】

前記モデルは第２サブモデルを有し、前記モデルのための前記データ処理方法に従って前記モデル推論を実行することは、
第２入力データを取得するよう、前記入力データパディング方法に従って第１入力データに対してデータパディングを実行することと、
前記第２入力データ及び前記第２サブモデルに基づき第１出力データを決定することと、を有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項11】

前記モデルは第１サブモデル及び第２サブモデルを有し、前記モデルのための前記データ処理方法に従って前記モデル訓練を実行することは、
前記第１サブモデルの入力訓練データ及び前記第１サブモデルに基づき前記第１サブモデルの第１出力訓練データを決定することと、
前記第２サブモデルの第１入力訓練データを取得するよう、前記出力データトランケーション方法に従って前記第１出力訓練データに対してデータトランケーションを実行することと、
第２入力訓練データを取得するよう、前記入力データパディング方法に従って前記第２サブモデルの前記第１入力訓練データに対してデータパディングを実行することと、
前記第２入力訓練データ及び前記第２サブモデルに基づき前記第２サブモデルの出力訓練データを決定することと、
前記第１サブモデルの前記入力訓練データ及び前記第２サブモデルの前記出力訓練データに基づき、次の、前記第１サブモデルのモデルパラメータ、又は前記第２サブモデルのモデルパラメータ、のうちの少なくとも１つを調整することと、を有する、
請求項１乃至３のうちいずれか一項に記載の方法。

【請求項12】

モデルのためのデータ処理方法であって、
前記モデルのための前記データ処理方法を指示する指示情報を第２ノードへ送ることを有し、
前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データパディング方法、又は前記モデルのための出力データトランケーション方法、のうちの少なくとも１つを有するか、あるいは、前記モデルのための前記データ処理方法は、次の、前記モデルのための入力データトランケーション方法、又は前記モデルのための出力データパディング方法、のうちの少なくとも１つを有する、
方法。

【請求項13】

前記入力データパディング方法又は前記出力データパディング方法は、次の、パディングされたデータの長さ、パディングデータタイプ、又はデータパディング規則、のうちの少なくとも１つを有する、
請求項１２に記載の方法。

【請求項14】

前記出力データトランケーション方法又は前記入力データトランケーション方法は、次の、トランケーション後のデータの長さ、又はデータトランケーション規則、のうちの少なくとも１つを有する、
請求項１２又は１３に記載の方法。

【請求項15】

請求項１に記載の方法を実施するよう構成されたユニットを有する通信装置。

【請求項16】

プロセッサ及びメモリを有し、
前記プロセッサは、前記メモリへ結合され、
前記プロセッサは、請求項１に記載の方法を実施するよう構成される、
通信装置。

【請求項17】

請求項１２に記載の方法を実施するよう構成されたユニットを有する通信装置。

【請求項18】

プロセッサ及びメモリを有し、
前記プロセッサは、前記メモリへ結合され、
前記プロセッサは、請求項１２に記載の方法を実施するよう構成される、
通信装置。

【請求項19】

請求項１５又は１６に記載の通信装置と、
請求項１７又は１８に記載の通信装置と
を有する通信システム。

【請求項20】

命令を記憶するコンピュータ可読記憶媒体であって、
前記命令がコンピュータで実行されると、前記コンピュータは、請求項１に記載の方法を実行することができる、
コンピュータ可読記憶媒体。

【請求項21】

命令を記憶するコンピュータ可読記憶媒体であって、
前記命令がコンピュータで実行されると、前記コンピュータは、請求項１２に記載の方法を実行することができる、
コンピュータ可読記憶媒体。

【請求項22】

命令を有し、
前記命令がコンピュータで実行されると、前記コンピュータは、請求項１に記載の方法を実行することができる、
コンピュータプログラム。

【請求項23】

命令を有し、
前記命令がコンピュータで実行されると、前記コンピュータは、請求項１２に記載の方法を実行することができる、
コンピュータプログラム。

【手続補正2】

【補正対象書類名】明細書

【補正対象項目名】０１３３

【補正方法】変更

【補正の内容】

【0133】

本願において、参照信号の異なるタイプの夫々のＹは、最初に、ラベルＨの長さと同じ長さを有するようパディングされてよく、次いで、Ｙは再びパディングされる。具体的に、パディングは、Ｙの後に実行されてもよい。複数の、パディングされた第１入力訓練データ、つまり複数の第２入力訓練データは、夫々、次の通りである：
４ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－１参照信号に対応するＹ^１がパディングされた後に取得される

【数8】

４ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－２参照信号に対応するＹ ^２ がパディングされた後に取得される

【数9】

８ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－１参照信号に対応するＹ^３がパディングされた後に取得される

【数10】

８ＲＢのスケジューリングされた帯域幅内のｔｙｐｅ－２参照信号に対応するＹ^４がパディングされた後に取得される

【数11】

【手続補正3】

【補正対象書類名】明細書

【補正対象項目名】０１４７

【補正方法】変更

【補正の内容】

【0147】

ダウンリンクチャネル応答Ｈの次元は、帯域幅×アンテナポート数であり、このとき、アンテナポートには、基地局のアンテナポート及び／又はＵＥのアンテナポートが含まれる。ＣＳＩフィードバックのために基地局によって設定される帯域幅は異なってもよく、例えば、４ＲＢ又は８ＲＢであってよい。１ＲＢの粒度が例として使用される。この場合、帯域幅次元でのダウンリンクチャネルの長さは４又は８になる。ＣＳＩフィードバックのために基地局によって設定されるアンテナポート数は異なってもよく、例えば、１６ポート又は３２ポートであってよい。この場合、アンテナポート次元でのダウンリンクチャネルの長さは１６又は３２になる。

【手続補正4】

【補正対象書類名】明細書

【補正対象項目名】０２１３

【補正方法】変更

【補正の内容】

【0213】

上記の方法における機能を実装するために、モデル訓練ノード及びモデル推論ノードは、機能を実行するための対応するハードウェア構造及び／又はソフトウェアモジュールを含むことが理解され得る。当業者であれば、本願で記載される例におけるユニット及び方法ステップを参照して、本願がハードウェア又はハードウェアとコンピュータソフトウェアとの組み合わせによって実装され得ることに容易に気付くはずである。機能がハードウェア又はコンピュータソフトウェアによって駆動されるハードウェアによって実行されるかどうかは、技術的解決法の特定の適用シナリオ及び設計制約に依存する。

【手続補正5】

【補正対象書類名】明細書

【補正対象項目名】０２２９

【補正方法】削除

【補正の内容】

【国際調査報告】