Method and apparatus of monitoring event detection for artificial intelligence / machine learning models in wireless communications

Abstract

Techniques pertaining to monitoring event detection for artificial intelligence and machine learning (AI / ML) models in wireless communications are described. An apparatus monitors an AI / ML model that is used in wireless communications. The apparatus changes or deactivates the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.

Description

METHOD AND APPARATUS OF MONITORING EVENT DETECTION FOR ARTIFICIAL INTELLIGENCE / MACHINE LEARNING MODELS IN WIRELESS COMMUNICATIONS

[0001] CROSS REFERENCE TO RELATED PATENT APPLICATION (S)

[0002] The present disclosure claims the priority benefit of U.S. Provisional Patent Application Nos. 63 / 502, 134 and 63 / 504,219, filed 15 May 2023 and 25 May 2023, respectively, the contents of which being herein incorporated by reference in their entirety.TECHNICAL FIELD

[0003] The present disclosure is generally related to wireless communications and, more particularly, to monitoring event detection for artificial intelligence and machine learning (AI / ML) models in wireless communications.BACKGROUND

[0004] Unless otherwise indicated herein, approaches described in this section are not prior art to the claims listed below and are not admitted as prior art by inclusion in this section.

[0005] In a communication system, such as wireless communications in accordance with the 3rd Generation Partnership Project (3GPP) standards, many functions on the user equipment (UE) side tend to have a corresponding twin on the network side, and vice versa. In the context of AI / ML, this may be referred to as a two-sided AI / ML model, also known as autoencoders. For example, for a modulation function at the UE / network there is a demodulation function at the network / UE, for a quantization function at the UE / network there is a dequantization function at the network / UE, for a forward error correction (FEC) encoder at the UE / network there is a decoder at the network / UE, and for a signal shaper function at the UE / network there is a de-shaper at the network / UE, and vice versa. There are also functions / applications that need complimentary modules at both the UE and network such as, for example, channel state information (CSI) compression. In short, in a two-sided AI / ML model, it is most ideal to train both sides together so that the function on one side is compatible with the corresponding function on the other side.

[0006] In the context of CSI, CSI compression is a study item (SI) in the 5th Generation (5G) New Radio (NR) Release 18 specification regarding air interface. In the two-sided autoencoder-based AI / ML models, the UE (encoder / CSI construction) of a two-sided AI / ML translates CSI into a compressed representation, and the network (decoder / CSI reconstruction) reconstructs the CSI from its compressed representation. Accordingly, an encoder and a  decoder may be specifically trained for a certain cell, area, configuration, and / or scenario.

[0007] However, how to know when it is time to change or deactivate a given AI / ML model remains an open issue to be addressed. For instance, any changes in a radio frequency (RF) environment would be reflected in the input CSI to the AI / ML model. Due to a unique mapping between the input CSI and output CSI, such changes would flow through the output CSI as well. At the time of the present invention, no single input / output-based monitoring of AI / ML models has been introduced. Moreover, there tends to be stagnation roots in the low accuracy of using high-level statistics, such as per-sample minimum, maximum, average, range, and so on. Working with distribution of statistics (collected on sufficiently large number of samples) is more accurate but tends to significantly cause delay in detection of a monitoring event with respect to the RF environment. Therefore, there is a need for a solution of monitoring event detection for AI / ML models in wireless communications.SUMMARY

[0008] The following summary is illustrative only and is not intended to be limiting in any way. That is, the following summary is provided to introduce concepts, highlights, benefits and advantages of the novel and non-obvious techniques described herein. Select implementations are further described below in the detailed description. Thus, the following summary is not intended to identify essential features of the claimed subject matter, nor is it intended for use in determining the scope of the claimed subject matter.

[0009] An objective of the present disclosure is to propose solutions or schemes that address the issue (s) described herein. More specifically, various schemes proposed in the present disclosure pertain to monitoring event detection for AI / ML models in wireless communications. It is believed that implementations of the various proposed schemes may address or otherwise alleviate the aforementioned issue (s) . For instance, under the various proposed schemes, changes in the RF environment may be tracked by inspecting statistics of the input and output (e.g., input CSI and output CSI) to an AI / ML model at the UE side and / or the network side. It is noteworthy that, although examples in the present disclosure may be provided in the context of CSI, the proposed schemes may also be implemented in a different context such as, for example and without limitation, denoising (or noise reduction) , quantization, coding, error correction codes, modulation, peak-to-average power ratio (PAPR) reduction, and image compression.

[0010] In one aspect, a method may involve a network node of a network monitoring an AI / ML model that is used in wireless communications. The method may also involve the network node changing or deactivating the AI / ML model responsive to an occurrence of a  monitoring event being detected based on the monitoring.

[0011] In another aspect, a method may involve a UE monitoring an AI / ML model that is used in wireless communications. The method may also involve the UE changing or deactivating the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.

[0012] In yet another aspect, an apparatus may include a transceiver configured to communicate wirelessly and a processor coupled to the transceiver. The processor may monitor an AI / ML model that is used in wireless communications. The processor may also change or deactivate the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.

[0013] It is noteworthy that, although description provided herein may be in the context of certain radio access technologies, networks, and network topologies for wireless communication, such as 5th Generation (5G)  / New Radio (NR) mobile communications, the proposed concepts, schemes and any variation (s)  / derivative (s) thereof may be implemented in, for and by other types of radio access technologies, networks and network topologies such as, for example and without limitation, Evolved Packet System (EPS) , Long-Term Evolution (LTE) , LTE-Advanced, LTE-Advanced Pro, Internet-of-Things (IoT) , Narrow Band Internet of Things (NB-IoT) , Industrial Internet of Things (IIoT) , vehicle-to-everything (V2X) , and non-terrestrial network (NTN) communications. Thus, the scope of the present disclosure is not limited to the examples described herein.BRIEF DESCRIPTION OF THE DRAWINGS

[0014] The accompanying drawings are included to provide a further understanding of the disclosure and are incorporated in and constitute a part of the present disclosure. The drawings illustrate implementations of the disclosure and, together with the description, serve to explain the principles of the disclosure. It is appreciable that the drawings are not necessarily in scale as some components may be shown to be out of proportion than the size in actual implementation in order to clearly illustrate the concept of the present disclosure.

[0015] FIG. 1 is a diagram of an example network environment in which various proposed schemes in accordance with the present disclosure may be implemented.

[0016] FIG. 2 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0017] FIG. 3 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0018] FIG. 4 is a diagram of an example scenario under a proposed scheme in accordance  with the present disclosure.

[0019] FIG. 5 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0020] FIG. 6 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0021] FIG. 7 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0022] FIG. 8 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0023] FIG. 9 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0024] FIG. 10 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0025] FIG. 11 is a block diagram of an example communication system under a proposed scheme in accordance with the present disclosure.

[0026] FIG. 12 is a flowchart of an example process under a proposed scheme in accordance with the present disclosure.

[0027] FIG. 13 is a flowchart of an example process under a proposed scheme in accordance with the present disclosure.DETAILED DESCRIPTION

[0028] Detailed embodiments and implementations of the claimed subject matters are disclosed herein. However, it shall be understood that the disclosed embodiments and implementations are merely illustrative of the claimed subject matters which may be embodied in various forms. The present disclosure may, however, be embodied in many different forms and should not be construed as limited to the exemplary embodiments and implementations set forth herein. Rather, these exemplary embodiments and implementations are provided so that the description of the present disclosure is thorough and complete and will fully convey the scope of the present disclosure to those skilled in the art. In the description below, details of well-known features and techniques may be omitted to avoid unnecessarily obscuring the presented embodiments and implementations.

[0029] Overview

[0030] Implementations in accordance with the present disclosure relate to various techniques, methods, schemes and / or solutions pertaining to monitoring event detection for AI / ML models in wireless communications. According to the present disclosure, a number of  possible solutions may be implemented separately or jointly. That is, although these possible solutions may be described below separately, two or more of these possible solutions may be implemented in one combination or another.

[0031] FIG. 1 illustrates an example network environment 100 in which various solutions and schemes in accordance with the present disclosure may be implemented. FIG. 2 ～ FIG. 13 illustrate examples of implementation of various proposed schemes in network environment 100 in accordance with the present disclosure. The following description of various proposed schemes is provided with reference to FIG. 1 ～ FIG. 13.

[0032] Referring to part (A) of FIG. 1, network environment 100 may involve a UE 110 in wireless communication with a radio access network (RAN) 120 (e.g., a 5G NR mobile network or another type of network such as a non-terrestrial network (NTN) ) . UE 110 may be in wireless communication with RAN 120 via a terrestrial network node 125 (e.g., base station, eNB, gNB or transmit-and-receive point (TRP) ) or a non-terrestrial network node 128 (e.g., satellite) and UE 110 may be within a coverage range of a cell 135 associated with terrestrial network node 125 and / or non-terrestrial network node 128. RAN 120 may be a part of a wireless network 130. In network environment 100, UE 110 and wireless network 130 (via terrestrial network node 125 and / or non-terrestrial network node 128) may implement various schemes pertaining to monitoring event detection for AI / ML models in wireless communications, as described below. Part (B) of FIG. 1 shows an example of a two-sided AI / ML model as a whole implemented at a UE, such as UE 110, and a network (NW) , such as terrestrial network node 125 and / or non-terrestrial network node 128. It is noteworthy that, although various proposed schemes, options and approaches may be described individually below, in actual applications these proposed schemes, options and approaches may be implemented separately or jointly. That is, in some cases, each of one or more of the proposed schemes, options and approaches may be implemented individually or separately. In other cases, some or all of the proposed schemes, options and approaches may be implemented jointly.

[0033] FIG. 2 illustrates an example scenario 200 of CSI prediction using a one-sided AI / ML model. In FIG. 2, time is slotted to integer numbers for simplicity. Referring to FIG. 2, a UE (e.g., UE 110) may measure L CSI samples (with L being the length of an observation window) from CSI reference signal (CSI-RS) . The UE then feeds the L CSI samples to an AI / ML model and predicts P CSI samples (with P being the length of a prediction window) in the future. The accuracy of prediction depends on the quality of observed CSI, observation length (L) , prediction length (P) , and capability of the AI / ML model. Regarding performance of an AI / ML model, performance may be guaranteed if the distribution of training data and test data (in inference) are identical. In the physical world, the RF environment from which the  training data was / is captured should be the same as that in inference. However, it has been a challenge to find such a match.

[0034] FIG. 3 illustrates an example scenario 300 of different types of AI / MML model monitoring. With respect to AI / ML model monitoring, there are several types of monitoring. A first type is input / output-based monitoring which is based on metrics which are directly defined on the input / output of AI / ML models. A second type is intermediate-key performance indicator (KPI) -based monitoring, which is based on intermediate KPI defined on actual and predicted CSI sample (s) . A third type is system-level monitoring, which is based on eventual KPIs such as throughput, acknowledgement / negative acknowledgement (ACK / NACK) rate from actual transmissions, and so on. Referring to FIG. 3, there are some advantages associated with the input / output-based model monitoring. For instance, it tends to be simpler than the other two methods as it does not require execution of the AI / ML model. Moreover, the input / output-based model monitoring tends to provide the fastest monitoring metric in identifying changes in the RF environment.

[0035] In wireless communications, power spectral entropy (PSE) is a measure of a signal’s spectral power distribution and predictability. It is based on information entropy and is typically used to estimate the uniformity of energy distribution of a signal in frequency (e.g., with a lower entropy indicating less uniformity and a higher entropy indicating more uniformity) . In general, PSE may be calculated or otherwise obtained in three steps. In the first step, a three-dimensional (3D) discrete Fourier transform (DFT) on an M x N x W CSI sample in the time-spatial-frequency domain (e.g., x [m, n, w] ) , may be expressed as follows:

[0036] In the second step, a power profile of the spectral domain may be expressed as follows:

[0037] In the third step, the entropy in the power profile may be expressed as follows:

[0038] The PSE calculation may be generalized to any sub-domain (e.g., spatial-frequency, frequency, or the like) using two-dimensional (2D) or one-dimensional (1D) fast Fourier transform (FFT) along with normalization and entropy calculation.

[0039] Under a proposed scheme in accordance with the present disclosure, PSE-based  monitoring may be utilized in AI / ML model monitoring. Under the proposed scheme, in PSE-based monitoring, a monitoring event with respect to the RF environment in which a UE (e.g., UE 110) is located or otherwise situated may be detected based on the PSE of CSI samples in an observation window of length L, as follows: fdetect (PSE [t-L] , PSE [t-L+1] , …, PSE [t-L] )

[0040] Under the proposed scheme, the monitoring entity for PSE-based monitoring may be the UE (e.g., UE 110) or the network (e.g., network node 125) . With UE-side PSE-based monitoring, the UE may calculate the PSE from measured (target) CSI. With network-side PSE-based monitoring, the network may calculate the PSE from either of: (1) recovered (output) CSI, or (2) target CSI which is collected from the UE. There are a multitude of advantages associated with PSE-based monitoring of AI / ML models. For instance, there is no need of disclosure of the AI / ML model (s) on any side. There is no specific impact due to the monitoring. There is also no overhead of information exchange. Additionally, PSE-based monitoring may enable both network-side and UE-side monitoring. Furthermore, PSE-based monitoring may offer per-sample detection of monitoring event (s) .

[0041] FIG. 4 illustrates an example scenario 400 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may be UE-side PSE-based monitoring. Referring to FIG. 4, the UE (e.g., UE 110) may measure CSI samples during an observation window of length L. The UE may store the last L CSI samples or their corresponding PSE values. The UE may then apply a detection function on the stored CSI samples or their respective PSEs. Moreover, the UE may determine whether there is an occurrence of a monitoring event based on the outcome of the detection function. Once the UE determines that there is an occurrence of a monitoring event (e.g., a change in the RF environment) , the UE may change or deactivate a current AI / ML model.

[0042] FIG. 5 illustrates an example scenario 500 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may be network-side PSE-based monitoring. Referring to FIG. 5, a UE (e.g., UE 110) may measure and send compressed CSI samples to the network (e.g., wireless network 130) , and the network may recover CSI samples during an observation window. The network may store the last L recovered CSI samples on their corresponding PSEs. The network may then apply a detection function on stored recovered CSI samples or their respective PSEs. Moreover, the network may determine whether there is an occurrence of a monitoring event based on the outcome of the detection function. Once the network determines that there is an occurrence of a monitoring event (e.g., a change in the RF environment) , the network may change or deactivate a current AI / ML model.

[0043] FIG. 6 illustrates an example scenario 600 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may be network-side PSE-based monitoring. Referring to FIG. 6, a UE (e.g., UE 110) may measure and send non-compressed target CSI samples to a network (e.g., wireless network 130) at each time instance. The network may store the last L target CSI samples or their corresponding PSEs. The network may then apply a detection function on stored target CSI samples or their respective PSEs. Moreover, the network may determine whether there is an occurrence of a monitoring event based on the outcome of the detection function. Once the network determines that there is an occurrence of a monitoring event (e.g., a change in the RF environment) , the network may change or deactivate a current AI / ML model.

[0044] Under a proposed scheme in accordance with the present disclosure, there may be different options with respect to the detection function corresponding to different scenarios. For instance, in a memory-less scenario (e.g., L = 0) , a minimum-like function (e.g., PSE [t] ≥thr) or a maximum-like function (e.g., PSE [t] ≤thr) or a range-like function (e.g., thr_1≤PSE [t] ≤thr_2) may be set to detect events. Moreover, in a monitoring-based scenario with L = 1, an absolute difference (e.g., |PSE [t] -PSE [t-1] |) or a signed difference (e.g., PSE [t] -PSE [t-1] ) may be utilized and a ratio may be changed (e.g., PSE [t]  / PSE [t-1] or |PSE [t]  / PSE [t-1] |) . Furthermore, in a monitoring-based scenario with L > 1, a deviation from a reference distribution may be utilized, considering the mean, maximum, minimum over a set of collected PSEs. Here, L denotes a length of an observation window, t denotes a point in time, thr denotes a threshold, thr_1 denotes a first threshold, and thr_2 denotes a second threshold.

[0045] FIG. 7 illustrates an example scenario 700 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may be utilized as a trigger for other monitoring methods. For instance, PSE-based monitoring may involve a multi-stage monitoring. More specifically, PSE-based monitoring may trigger a more accurate and complex monitoring method occasionally to save computational and airtime resources. Referring to FIG. 7, in case that PSE-based monitoring detects an event, the monitoring entity (e.g., UE 110 or network node 125) may trigger intermediate-KPI-based monitoring (e.g., using target CSI feedback at the network) .

[0046] FIG. 8 illustrates an example scenario 800 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may be performed on the input CSI. For instance, changes in the RF environment may be detected by tracking the input CSI. Referring to FIG. 8, the monitoring entity (e.g., UE 110 or network node 125) may calculate the PSE for Lp (PSE observation window) subsequent input  CSI samples and keep the results of PSE for Np consecutive calculations (e.g., PSE [-Np+1] , …, PSE[0] ) . Moreover, the monitoring entity may apply a detection function on stored PSEs fdetect (e.g., PSE [-Np+1] , …, PSE [0] ) . It is noteworthy that Lp may not necessarily be the same as L, and Np may not necessarily be 1.

[0047] FIG. 9 illustrates an example scenario 900 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may be performed on the output or predicted CSI. For instance, changes in the RF environment may be detected by tracking the output or predicted CSI, following the same steps as described above except by using the output / predicted CSI. Referring to FIG. 9, the monitoring entity (e.g., UE 110 or network node 125) may calculate the PSE for Lp (PSE observation window) subsequent output / predicted CSI samples and keep the results of PSE for Np consecutive calculations (e.g., PSE [-Np+1] , …, PSE [0] ) . Moreover, the monitoring entity may apply a detection function on stored PSEs fdetect (e.g., PSE [-Np+1] , …, PSE [0] ) . It is noteworthy that Lp may not necessarily be the same as L, and Np may not necessarily be 1.

[0048] FIG. 10 illustrates an example scenario 1000 under a proposed scheme in accordance with the present disclosure. Under the proposed scheme, PSE-based AI / ML model monitoring may involve a two-stage model monitoring. It is noteworthy that there are challenges associated with other monitoring methods. For instance, with system-level monitoring, it is not accurate as it odes not solely based on the AI / ML model. Moreover, with intermediate-KPI-based monitoring, it is accurate but complex due to AI / ML model execution. Referring to FIG. 10, with two-stage monitoring, instead of periodic execution of intermediate-KPI-based monitoring (which is complex) , intermediate-KPI-based monitoring may be applied only when it is necessary. As PSE-based monitoring on input CSI tends to be low on complexity yet accurate, PSE-based monitoring may be utilized to trigger intermediate-KPI-based monitoring.

[0049] Under a proposed scheme in accordance with the present disclosure, with PSE-based AI / ML model monitoring, any underlying factors impacting the RF experience of a UE (e.g., UE 110) may be tracked. For instance, the velocity of the UE, the deployment scenario with respect to the UE (e.g., 3GPP models UMi, UMa, and RMa) , and non-line-of-sight (NLoS) and line-of-sight (LoS) scenarios may be tracked for PSE-based monitoring. With respect to other use cases of PSE in CSI prediction, model switching and fallback may be considered. Regarding model switching, in case that there is an AI / ML model for which the PSE of a training dataset is a better match to currently observed CSI, a UE (e.g., UE 110) may switch to that AI / ML model. Regarding fallback, in case that a PSE of currently observed CSI does not match with the training dataset of any available AI / ML model, the UE may fall back to a legacy  mechanism.

[0050] Illustrative Implementations

[0051] FIG. 11 illustrates an example communication system 1100 having at least an example apparatus 1110 and an example apparatus 1120 in accordance with an implementation of the present disclosure. Each of apparatus 1110 and apparatus 1120 may perform various functions to implement schemes, techniques, processes and methods described herein pertaining to CSI compression and decompression, including the various schemes described above with respect to various proposed designs, concepts, schemes, systems and methods described above, including network environment 100, as well as processes described below.

[0052] Each of apparatus 1110 and apparatus 1120 may be a part of an electronic apparatus, which may be a network apparatus or a UE device (e.g., UE 110) , such as a portable or mobile apparatus, a wearable apparatus, a vehicular device or a vehicle, a wireless communication apparatus or a computing apparatus. For instance, each of apparatus 1110 and apparatus 1120 may be implemented in a smartphone, a smartwatch, a personal digital assistant, an electronic control unit (ECU) in a vehicle, a digital camera, or a computing equipment such as a tablet computer, a laptop computer or a notebook computer. Each of apparatus 1110 and apparatus 1120 may also be a part of a machine type apparatus, which may be an IoT apparatus such as an immobile or a stationary apparatus, a home apparatus, a roadside unit (RSU) , a wire communication apparatus, or a computing apparatus. For instance, each of apparatus 1110 and apparatus 1120 may be implemented in a smart thermostat, a smart fridge, a smart door lock, a wireless speaker or a home control center. When implemented in or as a network apparatus, apparatus 1110 and / or apparatus 1120 may be implemented in an eNodeB in an LTE, LTE-Advanced or LTE-Advanced Pro network or in a gNB or TRP in a 5G network, an NR network or an IoT network.

[0053] In some implementations, each of apparatus 1110 and apparatus 1120 may be implemented in the form of one or more integrated-circuit (IC) chips such as, for example and without limitation, one or more single-core processors, one or more multi-core processors, one or more complex-instruction-set-computing (CISC) processors, or one or more reduced-instruction-set-computing (RISC) processors. In the various schemes described above, each of apparatus 1110 and apparatus 1120 may be implemented in or as a network apparatus or a UE. Each of apparatus 1110 and apparatus 1120 may include at least some of those components shown in FIG. 11 such as a processor 1112 and a processor 1122, respectively, for example. Each of apparatus 1110 and apparatus 1120 may further include one or more other components not pertinent to the proposed scheme of the present disclosure (e.g., internal power supply, display device and / or user interface device) , and, thus, such component (s) of apparatus 1110  and apparatus 1120 are neither shown in FIG. 11 nor described below in the interest of simplicity and brevity.

[0054] In one aspect, each of processor 1112 and processor 1122 may be implemented in the form of one or more single-core processors, one or more multi-core processors, or one or more CISC or RISC processors. That is, even though a singular term “aprocessor” is used herein to refer to processor 1112 and processor 1122, each of processor 1112 and processor 1122 may include multiple processors in some implementations and a single processor in other implementations in accordance with the present disclosure. In another aspect, each of processor 1112 and processor 1122 may be implemented in the form of hardware (and, optionally, firmware) with electronic components including, for example and without limitation, one or more transistors, one or more diodes, one or more capacitors, one or more resistors, one or more inductors, one or more memristors and / or one or more varactors that are configured and arranged to achieve specific purposes in accordance with the present disclosure. In other words, in at least some implementations, each of processor 1112 and processor 1122 is a special-purpose machine specifically designed, arranged and configured to perform specific tasks including those pertaining to monitoring event detection for AI / ML models in wireless communications in accordance with various implementations of the present disclosure.

[0055] In some implementations, apparatus 1110 may also include a transceiver 1116 coupled to processor 1112. Transceiver 1116 may be capable of wirelessly transmitting and receiving data. In some implementations, transceiver 1116 may be capable of wirelessly communicating with different types of wireless networks of different radio access technologies (RATs) . In some implementations, transceiver 1116 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 1116 may be equipped with multiple transmit antennas and multiple receive antennas for multiple-input multiple-output (MIMO) wireless communications. In some implementations, apparatus 1120 may also include a transceiver 1126 coupled to processor 1122. Transceiver 1126 may include a transceiver capable of wirelessly transmitting and receiving data. In some implementations, transceiver 1126 may be capable of wirelessly communicating with different types of UEs / wireless networks of different RATs. In some implementations, transceiver 1126 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 1126 may be equipped with multiple transmit antennas and multiple receive antennas for MIMO wireless communications.

[0056] In some implementations, apparatus 1110 may further include a memory 1114 coupled to processor 1112 and capable of being accessed by processor 1112 and storing data therein. In some implementations, apparatus 1120 may further include a memory 1124 coupled  to processor 1122 and capable of being accessed by processor 1122 and storing data therein. Each of memory 1114 and memory 1124 may include a type of random-access memory (RAM) such as dynamic RAM (DRAM) , static RAM (SRAM) , thyristor RAM (T-RAM) and / or zero-capacitor RAM (Z-RAM) . Alternatively, or additionally, each of memory 1114 and memory 1124 may include a type of read-only memory (ROM) such as mask ROM, programmable ROM (PROM) , erasable programmable ROM (EPROM) and / or electrically erasable programmable ROM (EEPROM) . Alternatively, or additionally, each of memory 1114 and memory 1124 may include a type of non-volatile random-access memory (NVRAM) such as flash memory, solid-state memory, ferroelectric RAM (FeRAM) , magnetoresistive RAM (MRAM) and / or phase-change memory.

[0057] Each of apparatus 1110 and apparatus 1120 may be a communication entity capable of communicating with each other using various proposed schemes in accordance with the present disclosure. For illustrative purposes and without limitation, a description of capabilities of apparatus 1110, as a UE device (e.g., UE 110) , and apparatus 1120, as a network node (e.g., network node 125) of a network (e.g., network 130 as a 11G / NR mobile network) , is provided below in the context of example processes 1200 and 1300.

[0058] Illustrative Processes

[0059] FIG. 12 illustrates an example process 1200 in accordance with an implementation of the present disclosure. Process 1200 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above pertaining to monitoring event detection for AI / ML models in wireless communications, whether partially or entirely, including those pertaining to those described above. Process 1200 may include one or more operations, actions, or functions as illustrated by one or more of blocks. Although illustrated as discrete blocks, various blocks of each process may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of each process may be executed in the order shown in each figure, or, alternatively in a different order. Furthermore, one or more of the blocks / sub-blocks of each process may be executed iteratively. Process 1200 may be implemented by or in apparatus 1110 and / or apparatus 1120 as well as any variations thereof. Solely for illustrative purposes and without limiting the scope, each process is described below in the context of apparatus 1110 as a UE device (e.g., UE 110) and apparatus 1120 as a communication entity such as a network node or base station (e.g., terrestrial network node 120) of a network (e.g., a 5G / NR mobile network) . Process 1200 may begin at block 1210.

[0060] At 1210, process 1200 may involve processor 1122 of apparatus 1120 (e.g., as terrestrial network node 125 or non-terrestrial network node 128 of wireless network 130)  monitoring, via transceiver 1126, an AI / ML model that is used in wireless communications. Process 1200 may proceed from 1210 to 1220.

[0061] At 1220, process 1200 may involve processor 1122 changing or deactivating the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.

[0062] In some implementations, in monitoring the AI / ML model, process 1200 may involve processor 1122 performing PSE-based monitoring.

[0063] In some implementations, a detection function used in the PSE-based monitoring may involve memory-less monitoring. Alternatively, the detection function used in the PSE-based monitoring may involve monitoring-based with a length of an observation period equal to 1. Still alternatively, the detection function used in the PSE-based monitoring may involve monitoring-based with a length of an observation period greater than 1.

[0064] In some implementations, in performing the PSE-based monitoring, process 1200 may involve processor 1122 performing the PSE-based monitoring on an input CSI to the AI / ML model to detect a change in an RF environment by tracking the input CSI.

[0065] In some implementations, in performing the PSE-based monitoring, process 1200 may involve processor 1122 performing the PSE-based monitoring on an output or predicted CSI of the AI / ML model to detect a change in an RF environment by tracking the output or predicted CSI.

[0066] In some implementations, in performing the PSE-based monitoring, process 1200 may involve processor 1122 performing the PSE-based monitoring to track one or more factors impacting an RF environment experienced by a UE (e.g., apparatus 1110) . In some implementations, the one or more factors comprise at least one of the following: (a) a velocity of the UE; (b) a deployment scenario with respect to the UE; (c) an NLoS scenario; and (d) an LoS scenario.

[0067] In some implementations, in changing or deactivating the AI / ML model, process 1200 may involve processor 1122 switching to one other AI / ML model responsive to a PSE of a training dataset of that other AI / ML model better matching to a currently observed CSI than that of the AI / ML model.

[0068] In some implementations, in changing or deactivating the AI / ML model, process 1200 may involve processor 1122 falling back to a legacy mechanism responsive to a PSE of a currently observed CSI not matching with a training dataset of the AI / ML model or another available AI / ML model.

[0069] In some implementations, in monitoring the AI / ML model, process 1200 may involve processor 1122 performing multi-stage monitoring by performing PSE-based  monitoring as a trigger of one other type of monitoring. In some implementations, the one other type of monitoring may include intermediate-KPI-based monitoring.

[0070] In some implementations, in monitoring the AI / ML model, process 1200 may involve processor 1122 performing network-side PSE-based monitoring as an output-based monitoring in which apparatus 1122 calculates a PSE from recovered CSI. Alternatively, in monitoring the AI / ML model, process 1200 may involve processor 1122 performing network-side PSE-based monitoring as an input-based monitoring in which apparatus 1122 calculates a PSE from a target CSI which is collected from a UE (e.g., apparatus 1110) .

[0071] FIG. 13 illustrates an example process 1300 in accordance with an implementation of the present disclosure. Process 1300 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above pertaining to monitoring event detection for AI / ML models in wireless communications, whether partially or entirely, including those pertaining to those described above. Process 1300 may include one or more operations, actions, or functions as illustrated by one or more of blocks. Although illustrated as discrete blocks, various blocks of each process may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of each process may be executed in the order shown in each figure, or, alternatively in a different order. Furthermore, one or more of the blocks / sub-blocks of each process may be executed iteratively. Process 1300 may be implemented by or in apparatus 1110 and / or apparatus 1120 as well as any variations thereof. Solely for illustrative purposes and without limiting the scope, each process is described below in the context of apparatus 1110 as a UE device (e.g., UE 110) and apparatus 1120 as a communication entity such as a network node or base station (e.g., terrestrial network node 120) of a network (e.g., a 5G / NR mobile network) . Process 1300 may begin at block 1310.

[0072] At 1310, process 1300 may involve processor 1112 of apparatus 1110 (e.g., as UE 110) monitoring, via transceiver 1116, an AI / ML model that is used in wireless communications. Process 1300 may proceed from 1310 to 1320.

[0073] At 1320, process 1300 may involve processor 1112 changing or deactivating the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.

[0074] In some implementations, in monitoring the AI / ML model, process 1300 may involve processor 1112 performing PSE-based monitoring.

[0075] In some implementations, a detection function used in the PSE-based monitoring may involve memory-less monitoring. Alternatively, the detection function used in the PSE-based monitoring may involve monitoring-based with a length of an observation period equal  to 1. Still alternatively, the detection function used in the PSE-based monitoring may involve monitoring-based with a length of an observation period greater than 1.

[0076] In some implementations, in performing the PSE-based monitoring, process 1300 may involve processor 1112 performing the PSE-based monitoring on an input CSI to the AI / ML model to detect a change in an RF environment by tracking the input CSI.

[0077] In some implementations, in performing the PSE-based monitoring, process 1300 may involve processor 1112 performing the PSE-based monitoring on an output or predicted CSI of the AI / ML model to detect a change in an RF environment by tracking the output or predicted CSI.

[0078] In some implementations, in performing the PSE-based monitoring, process 1300 may involve processor 1112 performing the PSE-based monitoring to track one or more factors impacting an RF environment experienced by apparatus 1110. In some implementations, the one or more factors comprise at least one of the following: (a) a velocity of apparatus 1110; (b) a deployment scenario with respect to apparatus 1110; (c) an NLoS scenario; and (d) an LoS scenario.

[0079] In some implementations, in changing or deactivating the AI / ML model, process 1300 may involve processor 1112 switching to one other AI / ML model responsive to a PSE of a training dataset of that other AI / ML model better matching to a currently observed CSI than that of the AI / ML model.

[0080] In some implementations, in changing or deactivating the AI / ML model, process 1300 may involve processor 1112 falling back to a legacy mechanism responsive to a PSE of a currently observed CSI not matching with a training dataset of the AI / ML model or another available AI / ML model.

[0081] In some implementations, in monitoring the AI / ML model, process 1300 may involve processor 1112 performing multi-stage monitoring by performing PSE-based monitoring as a trigger of one other type of monitoring. In some implementations, the one other type of monitoring may include intermediate-KPI-based monitoring.

[0082] In some implementations, in monitoring the AI / ML model, process 1300 may involve processor 1112 performing UE-side PSE-based monitoring as an input-based monitoring in which processor 1112 calculates a PSE from measured CSI.

[0083] Additional Notes

[0084] The herein-described subject matter sometimes illustrates different components contained within, or connected with, different other components. It is to be understood that such depicted architectures are merely examples, and that in fact many other architectures can be implemented which achieve the same functionality. In a conceptual sense, any arrangement  of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Hence, any two components herein combined to achieve a particular functionality can be seen as "associated with" each other such that the desired functionality is achieved, irrespective of architectures or intermedial components. Likewise, any two components so associated can also be viewed as being "operably connected" , or "operably coupled" , to each other to achieve the desired functionality, and any two components capable of being so associated can also be viewed as being "operably couplable" , to each other to achieve the desired functionality. Specific examples of operably couplable include but are not limited to physically mateable and / or physically interacting components and / or wirelessly interactable and / or wirelessly interacting components and / or logically interacting and / or logically interactable components.

[0085] Further, with respect to the use of substantially any plural and / or singular terms herein, those having skill in the art can translate from the plural to the singular and / or from the singular to the plural as is appropriate to the context and / or application. The various singular / plural permutations may be expressly set forth herein for the sake of clarity.

[0086] Moreover, it will be understood by those skilled in the art that, in general, terms used herein, and especially in the appended claims, e.g., bodies of the appended claims, are generally intended as “open” terms, e.g., the term “including” should be interpreted as “including but not limited to, ” the term “having” should be interpreted as “having at least, ” the term “includes” should be interpreted as “includes but is not limited to, ” etc. It will be further understood by those within the art that if a specific number of an introduced claim recitation is intended, such an intent will be explicitly recited in the claim, and in the absence of such recitation no such intent is present. For example, as an aid to understanding, the following appended claims may contain usage of the introductory phrases "at least one" and "one or more" to introduce claim recitations. However, the use of such phrases should not be construed to imply that the introduction of a claim recitation by the indefinite articles "a" or "an" limits any particular claim containing such introduced claim recitation to implementations containing only one such recitation, even when the same claim includes the introductory phrases "one or more" or "at least one" and indefinite articles such as "a" or "an, " e.g., “a” and / or “an” should be interpreted to mean “at least one” or “one or more; ” the same holds true for the use of definite articles used to introduce claim recitations. In addition, even if a specific number of an introduced claim recitation is explicitly recited, those skilled in the art will recognize that such recitation should be interpreted to mean at least the recited number, e.g., the bare recitation of "two recitations, " without other modifiers, means at least two recitations, or two or more recitations. Furthermore, in those instances where a convention analogous to “at least one of  A, B, and C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, and C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. In those instances where a convention analogous to “at least one of A, B, or C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, or C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. It will be further understood by those within the art that virtually any disjunctive word and / or phrase presenting two or more alternative terms, whether in the description, claims, or drawings, should be understood to contemplate the possibilities of including one of the terms, either of the terms, or both terms. For example, the phrase “A or B” will be understood to include the possibilities of “A” or “B” or “A and B. ”

[0087] From the foregoing, it will be appreciated that various implementations of the present disclosure have been described herein for purposes of illustration, and that various modifications may be made without departing from the scope and spirit of the present disclosure. Accordingly, the various implementations disclosed herein are not intended to be limiting, with the true scope and spirit being indicated by the following claims.

Claims

1.A method, comprising:monitoring, by a processor of an apparatus, an artificial intelligence (AI)  / machine learning (ML) model that is used in wireless communications; andchanging or deactivating, by the processor, the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.2.The method of Claim 1, wherein the monitoring of the AI / ML model comprises performing power spectral entropy (PSE) -based monitoring.3.The method of Claim 2, wherein a detection function used in the PSE-based monitoring comprises memory-less monitoring.4.The method of Claim 2, wherein a detection function used in the PSE-based monitoring comprises monitoring-based with a length of an observation period equal to 1.5.The method of Claim 2, wherein a detection function used in the PSE-based monitoring comprises monitoring-based with a length of an observation period greater than 1.6.The method of Claim 2, wherein the performing of the PSE-based monitoring comprises performing the PSE-based monitoring on an input channel state information (CSI) to the AI / ML model to detect a change in a radio frequency (RF) environment by tracking the input CSI.7.The method of Claim 2, wherein the performing of the PSE-based monitoring comprises performing the PSE-based monitoring on an output or predicted channel state information (CSI) of the AI / ML model to detect a change in a radio frequency (RF) environment by tracking the output or predicted CSI.8.The method of Claim 2, wherein the performing of the PSE-based monitoring comprises performing the PSE-based monitoring to track one or more factors impacting a radio frequency (RF) environment experienced by a user equipment (UE) .9.The method of Claim 8, wherein the one or more factors comprise at least one of:a velocity of the UE;a deployment scenario with respect to the UE;a non-line-of-sight (NLoS) scenario; anda line-of-sight (LoS) scenario.10.The method of Claim 2, wherein the changing or deactivating the AI / ML model comprises switching to one other AI / ML model responsive to a PSE of a training dataset of that other AI / ML model better matching to a currently observed channel state information (CSI) than that of the AI / ML model.11.The method of Claim 2, wherein the changing or deactivating the AI / ML model comprises falling back to a legacy mechanism responsive to a PSE of a currently observed channel state information (CSI) not matching with a training dataset of the AI / ML model or another available AI / ML model.12.The method of Claim 1, wherein the monitoring of the AI / ML model comprises performing multi-stage monitoring by performing power spectral entropy (PSE) -based monitoring as a trigger of one other type of monitoring.13.The method of Claim 12, wherein the one other type of monitoring comprises intermediate-key performance indicator (KPI) -based monitoring.14.The method of Claim 1, wherein, in an event that the apparatus is implemented in a user equipment (UE) , the monitoring of the AI / ML model comprises performing UE-side power spectral entropy (PSE) -based monitoring as an input-based monitoring in which the UE calculates a PSE from measured channel state information (CSI) .15.The method of Claim 1, wherein, in an event that the apparatus is implemented in a network node of a network, the monitoring of the AI / ML model comprises performing network-side power spectral entropy (PSE) -based monitoring as an output-based monitoring in which the network node calculates a PSE from recovered channel state information (CSI) .16.The method of Claim 1, wherein, in an event that the apparatus is implemented in a network node of a network, the monitoring of the AI / ML model comprises performing  network-side power spectral entropy (PSE) -based monitoring as an input-based monitoring in which the network calculates a PSE from a target channel state information (CSI) which is collected from a user equipment (UE) .17.An apparatus, comprising:a transceiver configured to communicate wirelessly; anda processor coupled to the transceiver and configured to perform operations comprising:monitoring, via the transceiver, an artificial intelligence (AI)  / machine learning (ML) model that is used in wireless communications; andchanging or deactivating the AI / ML model responsive to an occurrence of a monitoring event being detected based on the monitoring.18.The apparatus of Claim 17, wherein the monitoring of the AI / ML model comprises performing power spectral entropy (PSE) -based monitoring.19.The apparatus of Claim 17, wherein the monitoring of the AI / ML model comprises performing multi-stage monitoring by performing power spectral entropy (PSE) -based monitoring as a trigger of one other type of monitoring.20.The apparatus of Claim 19, wherein the one other type of monitoring comprises intermediate-key performance indicator (KPI) -based monitoring.

Images