Procedures and signaling designs for additional condition notification from network to ue

Abstract

Methods and systems of additional condition signaling for assisting artificial intelligence (AI) / machine learning (ML) model training and inference are discussed herein. For example, the user equipment (UE) sends to the network a capability report indicating AI / ML features and receives from the network compatible AI / ML models. The UE also receives information about network-side additional conditions that are used to select and / or design an AI / ML model for training. In some cases, the UE also receives assistance information identifying AI / ML model features used to help select and / or design the AI / ML model for training. The UE may indicate the selected and / or designed AI / ML model to the network. Additionally, the UE may perform inference using the AI / ML model selected based on the received additional conditions. In some cases, the additional conditions are received in an encrypted format.

Description

PROCEDURES AND SIGNALING DESIGNS FOR ADDITIONAL CONDITION NOTIFICATION FROM NETWORK TO UETECHNICAL FIELD

[0001] This application relates generally to wireless communication systems, including wireless communication systems implementing artificial intelligence (AI)  / machine learning (ML) models.BACKGROUND

[0002] Wireless mobile communication technology uses various standards and protocols to transmit data between a base station and a wireless communication device. Wireless communication system standards and protocols can include, for example, 3rd Generation Partnership Project (3GPP) Long Term Evolution (LTE) (e.g., 4G) , 3GPP New Radio (NR) (e.g., 5G) , and Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard for Wireless Local Area Networks (WLAN) (commonly known to industry groups as ) .

[0003] As contemplated by the 3GPP, different wireless communication systems' standards and protocols can use various radio access networks (RANs) for communicating between a base station of the RAN (which may also sometimes be referred to generally as a RAN node, a network node, or simply a node) and a wireless communication device known as a user equipment (UE) . 3GPP RANs can include, for example, Global System for Mobile communications (GSM) , Enhanced Data Rates for GSM Evolution (EDGE) RAN (GERAN) , Universal Terrestrial Radio Access Network (UTRAN) , Evolved Universal Terrestrial Radio Access Network (E-UTRAN) , and / or Next-Generation Radio Access Network (NG-RAN) .

[0004] Each RAN may use one or more radio access technologies (RATs) to perform communication between the base station and the UE. For example, the GERAN implements GSM and / or EDGE RAT, the UTRAN implements Universal Mobile Telecommunication System (UMTS) RAT or other 3GPP RAT, the E-UTRAN implements LTE RAT (sometimes simply referred to as LTE) , and NG-RAN implements NR RAT (sometimes referred to herein as 5G RAT, 5G NR RAT, or simply NR) . In certain deployments, the E-UTRAN may also implement NR RAT. In certain deployments, NG-RAN may also implement LTE RAT.

[0005] A base station used by a RAN may correspond to that RAN. One example of an E-UTRAN base station is an Evolved Universal Terrestrial Radio Access Network (E-UTRAN) Node B (also commonly denoted as evolved Node B, enhanced Node B, eNodeB,  or eNB) . One example of an NG-RAN base station is a next generation Node B (also sometimes referred to as a g Node B or gNB) .

[0006] A RAN provides its communication services with external entities through its connection to a core network (CN) . For example, E-UTRAN may utilize an Evolved Packet Core (EPC) while NG-RAN may utilize a 5G Core Network (5GC) .

[0007] BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS

[0008] To easily identify the discussion of any particular element or act, the most significant digit or digits in a reference number refer to the figure number in which that element is first introduced.

[0009] FIG. 1 illustrates an example of additional condition signaling between a network and a UE for UE-sided AI / ML model training, according to embodiments discussed herein.

[0010] FIG. 2 illustrates an example of additional condition signaling between a network and a UE for UE-sided AI / ML inference with functionality based life cycle management (LCM) , according to embodiments discussed herein.

[0011] FIG. 3 illustrates an example of additional condition signaling between a network and a UE for UE-sided AI / ML inference with model identifier (ID) based LCM, according to embodiments discussed herein.

[0012] FIG. 4 illustrates a method of a UE, according to embodiments herein.

[0013] FIG. 5 illustrates a method of a base station, according to embodiments herein.

[0014] FIG. 6 illustrates a method of a UE, according to embodiments herein.

[0015] FIG. 7 illustrates a method of a base station, according to embodiments herein.

[0016] FIG. 8 illustrates a method of a UE, according to embodiments herein.

[0017] FIG. 9 illustrates a method of a base station, according to embodiments herein.

[0018] FIG. 10 illustrates a method of a UE, according to embodiments herein.

[0019] FIG. 11 illustrates a method of a base station, according to embodiments herein.

[0020] FIG. 12 illustrates an example architecture of a wireless communication system, according to embodiments disclosed herein.

[0021] FIG. 13 illustrates a system for performing signaling between a wireless device and a network device, according to embodiments disclosed herein.DETAILED DESCRIPTION

[0022] Various embodiments are described with regard to a UE. However, reference to a UE is merely provided for illustrative purposes. The example embodiments may be utilized  with any electronic component that may establish a connection to a network and is configured with the hardware, software, and / or firmware to exchange information and data with the network. Therefore, the UE as described herein is used to represent any appropriate electronic component.

[0023] In various wireless communication systems, it may be that, for an AI / ML-enabled feature / functional group (FG) , “additional condition (s) ” refer to any aspects that are assumed for the training of an AI / ML model but that are not a part of UE capability for the AI / ML-enabled feature / FG. Note that under such circumstances, additional condition (s) are not necessarily specified expressly and can be divided into two categories: network-side additional condition (s) and UE-side additional condition (s) .

[0024] Various mechanisms for the support of transmissions of additional condition (s) from the network to the UE (and any corresponding signaling) may be considered. In some cases, AI / ML algorithms may be applicable to various scenarios, locations, configurations, and / or deployments as the AI / ML algorithm may be updated (e.g., updated by model changes) to reflect the various scenarios, locations, and / or deployments. It may be assumed that for UE-sided AI / ML models, the UE may inform the RAN about applicability conditions of the AI / ML algorithm (s) available to the UE, to support RAN control (e.g. activation, deactivation, and / or switching) . UE reporting of AI / ML model applicability may also be further considered.

[0025] In some cases, UE assistance information (UAI) can be used to report additional condition (s) .

[0026] Additionally, reactive and proactive approaches for additional condition reporting may be considered (e.g., the UE reacts to the network's configuration, or the UE proactively informs the network of updates and / or changes to its supported models and / or functionalities) .

[0027] In various wireless communication systems, AI / ML functionality identification and / or functionality-based life cycle management (LCM) of UE-sided models and / or UE-part of two-sided models may be used. Functionality refers to an AI / ML-enabled feature / FG enabled by configuration (s) , where the configuration (s) are supported based on conditions indicated by UE capability. Correspondingly, functionality-based LCM operates based on, at least, one configuration of AI / ML-enabled feature / FG or specific configurations of an AI / ML-enabled feature / FG.

[0028] Various mechanisms for signaling to support functionality-based LCM operations, (e.g., to activate, deactivate, fallback, and / or switch AI / ML functionalities) may be  considered. Similarly, mechanisms for whether and / or how to address additional condition (s) (e.g., scenarios, sites, and datasets) to aid UE-side transparent model operations (without model identification) at the functionality level may also be considered.

[0029] For AI / ML model identification and model-ID-based LCM of UE-side models and / or UE-part of two-sided models, a model-ID-based LCM operates based on identified models, where a model may be associated with specific configurations and / or conditions associated with the UE capability of an AI / ML-enabled feature / FG and additional condition (s) (e.g., scenarios, sites, and datasets) as determined and / or identified between the UE and the network.

[0030] In some wireless communication systems, for UE-side AI / ML model inferencing use, , to ensure consistency between training and inference regarding network-side additional condition (s) (if identified) , various approaches can be taken. In one approach, model identification to achieve alignment on / with a network-side additional condition between the network-side and the UE-side may be used. In a second approach, model training may occur at the network and may be transferred to the UE, where the model has been trained under the additional condition. In a third approach, information on and / or indication (s) of the network-side additional condition (s) may be provided to UE. In a fourth approach, consistency may be assisted by monitoring (e.g., by the UE and / or the network) the performance of UE-side candidate models / functionalities to select a model / functionality. This is not an exhaustive list of approaches, and other approaches (including other approaches for achieving these and / or similar results) are not precluded.

[0031] Embodiments discussed herein provide procedures and signaling designs for additional condition indications. For example, examples of additional condition (s) transmitted from the network to the UE, and / or signaling procedures for the transmission of additional condition (s) from the network to the UE, are discussed herein. Additionally, embodiments herein discuss procedures for UE-sided model training and procedures for generating an inference at the UE. Examples of such procedures may incorporate a functionality based LCM with UE autonomous model switching and / or a model ID based LCM. It should be understood that LCM allows for anticipation of, for example, user mobility or introduced interference that may cause a possible need to switch to a more applicable AI / ML model.

[0032] Additional Condition (s)

[0033] In some embodiments, additional condition (s) may include a combination of parameters and information that is transparent to the UE, but may help the UE to select an  AI / ML model for training and / or inference if they are indicated to the UE. For example, information transparent to the UE may include network implementation information such as dataset information and / or network antenna information. The dataset information may include a dataset category, dataset type, dataset size, the freshness of the dataset etc. The antenna information may include antenna panel information, virtual port mapping, port number (s) , antenna polarization type, down-tilt, and / or beam pattern (e.g., synchronization signal block (SSB)  / channel state information reference signal (CSI-RS) ) . In another example, information transparent to the UE may include network configurations which may not be shared with the UE such as a network bandwidth and / or a network frequency. In a third example, information transparent to the UE may include network status information such as base station, operations administration and management (OAM) , core network (CN) , and / or location management function (LMF) traffic loading and / or resource utilization; base station, OAM, CN, and / or LMF computation loading; and / or base station, OAM, CN, and / or LMF congestion level (s) . It should be noted that a base station, an OAM, a CN, and an LMF may be examples of network entities and may be interchangeable with each other with reference to indicating and utilizing additional condition (s) . Additionally, various combinations of the discussed examples may be considered as additional condition (s) transmitted from the network to the UE.

[0034] It should be understood that, in some embodiments, additional condition (s) can take various formats. In one example, the additional condition (s) may take an open format with explicit contents that are known across various UEs and / or network nodes (e.g., across differing vendors for these UEs and / or network nodes) .

[0035] In a second example, the additional condition (s) may take the format of one or more IDs (e.g., dataset ID (s) , network config ID (s) , network status ID (s) ) . Such ID (s) may be used to keep network information private and / or proprietary (e.g. hide the network and / or base station implementation details) . In some cases, the ID can be a network assigned ID and / or a manufacturer assigned ID. In use, the network provides / allows for a mapping relationship between the ID and corresponding dataset at the UE, but the UE may not ultimately know, at a technical level, what network information and / or configuration is mapped to the ID and / or dataset.

[0036] Further with reference to the second example, the second example relates to definitions for formats for dataset IDs / model IDs that may be used to facilitate data collection and inferencing with respect to different use cases (e.g., different network-side conditions for the corresponding network signaling) . Within such contexts, it may be understood that a same dataset ID / model ID that is used in a radio resource control (RRC)  configuration for a data collection procedure for training an AI / ML model is also used in a corresponding configuration for an inferencing procedure that uses the AI / ML model, in order to ensure compatibility / consistency as between the data collection procedure and the inferencing procedure. When so used, the dataset ID / model ID may thus be understood to indicate or represent, in an abstracted way, the applicable network-side condition for the corresponding network signaling. Within some contexts applicable to the second example disclosed herein, the uses of a "dataset ID” versus “model ID" may be understood as interchangeable. This may correspond to cases where, for example, a single dataset identified by the dataset ID is used to train a corresponding model identified by the model ID.In such a situation, each of the dataset ID and the model ID are logical IDs that correspond to the same scenario (e.g., the same network-side condition) , and thus a straight swap between a use of a dataset ID instead of using the corresponding model ID (or vice-versa) is possible.

[0037] In a third example, the additional condition (s) may take the form of a closed format with standardized fields. In some cases, an encrypted message of information for more sensitive information (e.g., beam width information) may be used via a public key system and vendor ID. The UE can recover the information via the vendor ID and the private key, and additional information associated with the vendor ID. Further, the private key can be shared to the UE offline (e.g., in negotiations between infra vendor A and UE vendor C) . The additional information can be associated with different UE classes (e.g. higher class UEs may get more sensitive information) .

[0038] Embodiments disclosed herein discuss the use of additional condition (s) transmitted from the network to the UE for, for example, UE-sided AI / ML model training and AI / ML model inference.

[0039] UE-Sided Training Procedure

[0040] FIG. 1 illustrates an example of additional condition signaling between a network 106 and a UE 104 for UE-sided AI / ML model training, according to embodiments discussed herein.

[0041] In some embodiments, the additional condition (s) signaled from the network 106 to the UE 104 may be used for UE-sided AI / ML model training. To start, the UE 104 may transmit 108 a UE capability report to the network 106 indicating supported AI / ML features / FGs. The network 106 may then respond with model configuration information that identifies AI / ML models that are compatible with the supported AI / ML features. Based on  the UE capability reporting, the network 106 may configure 110 a list of compatible model (s) for training according to various alternatives.

[0042] In one alternative, the network 106 may configure 110 the UE 104 with a list of compatible model (s) for training transmitted to the UE 104 via, an RRC message. In some cases, while configured model list is a full list of compatible AI / ML model (s) , the UE 104 may train a subset of the compatible AI / ML model (s) of the full list of AI / ML model (s) . This may be because the subset of compatible AI / ML models may be those model (s) that are applicable in the current deployment, because of memory restrictions, and / or because of UE-based or server-based computation resource restrictions. Further, the model ID and meta information (e.g., applicability conditions) may be included in the message. In some examples, such conditions may not be indicated in the message as to avoid proprietary information sharing.

[0043] In a second alternative, the network 106 may configure 110 the UE 104 with assisted information as to have finer control over which AI / ML is selected. Non-limiting examples of assistance information aspects correspond to CSI compression and / or beam management. In some cases, assisted information can be part of an RRC configuration to trigger the data collection procedure. It may be up to UE 104 implementation design separate models for different assistance information, and / or to design a generalized model applicable to multiples sets of different assistance information. In some such examples, model IDs may not be strictly required.

[0044] Subsequently, the UE 104 may optionally report 112 UE-side additional condition (s) to the network 106 that includes information on UE 104 internal and network-transparent information (e.g. memory, speed, location) via, for example, a UE assistance information (UAI) message or an RRC message.

[0045] Then, the network 106 sends 114 network-side additional condition (s) to the UE 104 via, for example, an RRC message (e.g. RRCReconfiguration) . Based on the additional condition (s) signaled from the network 106 and the applicability conditions in the meta information, the UE 104 may determine which model (s) to train. The UE 104 may collect the model's dataset by receiving signaling from the network 106 that is used in training of the model. Accordingly, the UE 104 may perform offline training 116 of the AI / ML model based on collected dataset. Note that in some alternative embodiments, the offline training 116 of the AI / ML model may occur at the server 102 as facilitated by the UE 104.

[0046] After the AI / ML model training is completed, the UE 104 may notify 118 the network 106 via, for example, a UAI message or an uplink (UL) RRC message, which  model (s) are ready, which AI / ML models are available in the UE 104 memory, and / or which AI / ML models are available in a server 102. In some cases, the UE 104 may store some model (s) in the server 102, but not download the model due to memory restrictions. Accordingly, the network 106 may need to know such information (so that it can account for any remote access delays in view of latency parameters that may apply with respect to an inference to be generated by the model) .

[0047] UE-sided AI / ML Model Inference Functionality Based LCM

[0048] FIG. 2 illustrates an example of additional condition signaling between a network 206 and a UE 204 for UE-sided AI / ML inference with functionality based LCM, according to embodiments discussed herein.

[0049] In some embodiments, additional condition (s) signaled from the network 206 to the UE 204 may be used for UE-sided AI / ML inference with functionality based LCM. To start, a network 206 may configure 208 functionalities for inference and / or model switching conditions and transmit the configured functionalities to the UE 204. Note that in some cases, one such functionality may be associated with / map to multiple model (s) , and the UE 204 can autonomously switch between the models according to the model switch conditions. In some examples, the model switch conditions may include, one or more (or a combination) of a performance monitor metric threshold, network-side additional condition (s) , and / or UE-side additional condition (s) .

[0050] Then, a network-side additional condition transmission from the network 206 to the UE 204 may be triggered according to various alternatives. In one alternative, the network 206 may initiate the transmission of the assistance information and / or the additional condition (s) . The UE 204 may choose model (s) that are consistent with the assistance information for training to use to perform inferencing. In some cases, the time to send the assisted information may be up to the network 206 implementation.

[0051] In a second alternative, the UE 204 may initiate 210 the transmission of the assistance information and / or the additional condition (s) when a configured event is fulfilled. Accordingly, the UE 204 may send a UL message to the network to request the network-side additional condition (s) and / or the assistance information. The configured event can be , for example, that a monitored inference error is greater than or equal to a configured threshold. Additionally, the UL message can take the form of a UL RRC message (e.g., a UAI message) , a medium access control-control element (MAC-CE) message, and / or a dedicated scheduling request (SR) . In some cases, if the AI / ML model inference is latency sensitive, the network can configure a dedicated SR resource.

[0052] Subsequently, in response to the triggering event, the network 206 indicates 212 the network-side additional condition (s) to the UE 204 via, for example, an RRC message (e.g. RRCReconfiguration) or a MAC-CE message. Then, based on the active network-side additional condition (s) received from the network 206 and based on the configured conditions for model switching, the UE 204 determines 214 and / or switches to an AI / ML model for inference, and collects the corresponding dataset for the AI / ML model. The UE 204 then performs AI / ML model inference using the AI / ML model. In some cases, if the AI / ML model is stored in server 202 and not in UE 204, the UE 204 downloads the AI / ML model from the server for inference. Optionally, in some instances, the UE 204 may notify 216 the network 206 of the AI / ML model used for inference in, for example, a UAI message.

[0053] UE-sided AI / ML Model Inference Model ID Based LCM

[0054] FIG. 3 illustrates an example of additional condition signaling between a network 306 and a UE 304for UE-sided AI / ML inference with model ID based LCM, according to embodiments discussed herein.

[0055] In some embodiments, additional condition (s) signaled from the network 306 to the UE 304 may be used for UE-sided AI / ML inference with model ID based LCM. To start, a network 306 may configure 308 a list of model (s) for inference. Then, an active network-side additional condition transmission from the network to the UE may be triggered similarly to the transmission triggering for UE-sided AI / ML model inference with functionality based LCM discussed herein. As discussed in embodiments herein (i.e., for functionality based LCM) , in one alternative, the network may request 310 the UE 304 to perform inference. In a second alternative, the UE may request 312 the network-side additional condition (s) for inference.

[0056] Accordingly, in response to the triggering event, the network 306 may send 314 active network-side additional condition (s) to the UE 304 via, for example, an RRC message (e.g., an RRCReconfiguration message) or a MAC-CE.

[0057] Based on the active network-side additional condition (s) received from the network, the UE 304 may down-scope 316 a subset of configured AI / ML models. That is the UE 304 may select a subset of AI / ML model from the set of configured AI / ML models for inference. Then, the UE 304 may notify 318 the network 306 of the subset of selected models via, for example, an UL RRC message, or a UAI message. In response to the notification of the selected subset of models, the network 306 may activate 320 and / or configure a model ID for inference and may send the activated and / or configured model ID  to the UE 304. It should be understood that, in the case where a model ID cannot be activated or configured, the network 306 may indicate to the UE 304 to switch to a different AI / ML model, fallback to previously used AI / ML models or fallback to previous / legacy procedures.

[0058] Based on the received activated and / or configured model ID, the UE 304 may perform 322 AI / ML model inference using the AI / ML model corresponding to the activated and / or configured model ID. It should be understood that the UE 304 may perform 322 AI / ML model interference using an AI / ML model that has been switched to in the case that a model ID cannot be activated or configured.

[0059] FIG. 4 illustrates a method 400 of a UE, according to embodiments herein. The method 400 includes sending 402, to a base station, a capability report indicating one or more supported AI / ML features for which the UE can perform AI / ML model training. The method 400 further includes receiving 404, from the base station, a model configuration message identifying one or more compatible AI / ML models, wherein each of the one or more compatible AI / ML models is compatible with at least one of the one or more supported AI / ML features. The method 400 further includes receiving 406, from the base station, one or more active network-side additional conditions. The method 400 further includes selecting 408 a selected AI / ML model from the one or more compatible AI / ML models for training based on the one or more active network-side additional conditions. The method 400 further includes generating 410 a training dataset for the selected AI / ML model based on signaling received from the base station. The method 400 further includes sending 412 the training dataset to a server to cause the training of the selected AI / ML model at the server. The method 400 further includes sending 414, to the base station, a notification message indicating that the selected AI / ML model is useable by the UE.

[0060] In some embodiments of the method 400, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0061] In some embodiments of the method 400, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0062] In some embodiments of the method 400, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0063] In some embodiments of the method 400, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0064] In some embodiments of the method 400, the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions from the encrypted format using a decryption key corresponding to the base station.

[0065] In some embodiments of the method 400, the selecting the selected AI / ML model from the one or more compatible AI / ML models for training is further based on a memory restriction of the UE.

[0066] In some embodiments of the method 400, the selecting the selected AI / ML model from the one or more compatible AI / ML models for training is further based on a computation restriction of the UE.

[0067] In some embodiments of the method 400, the selecting the selected AI / ML model from the one or more compatible AI / ML models for training is further based on a computation restriction of the server.

[0068] In some embodiments of the method 400, the model configuration message further comprises additional condition compatibility information for the one or more compatible AI / ML models, and wherein the selecting the selected AI / ML model from the one or more compatible AI / ML models for training based on the active network-side additional conditions comprises comparing the active network-side additional conditions to the additional condition compatibility information for the one or more compatible AI / ML models.

[0069] In some embodiments, the method 400 further comprises sending, to the base station, one or more active UE-side additional conditions.

[0070] In some embodiments of the method 400, the notification message further indicates that the selected AI / ML model is stored at the UE.

[0071] In some embodiments of the method 400, the notification message further indicates that the selected AI / ML model is stored at the server.

[0072] FIG. 5 illustrates a method 500 of a base station, according to embodiments herein. The method 500 includes receiving 502, from a UE, a capability report indicating one or more supported AI / ML features for which the UE can perform AI / ML model training. The method 500 further includes sending 504, to the UE, a model configuration message identifying one or more compatible AI / ML models, wherein each of the one or more compatible AI / ML models is compatible with at least one of the one or more supported AI / ML features. The method 500 further includes sending 506, to the UE, one or more active network-side additional conditions. The method 500 further includes performing 508 signaling with the UE that enables the UE to generate a training dataset for a selected AI / ML model of the one or more compatible AI / ML models. The method 500 further includes receiving 510, from the UE, a notification message indicating that the selected AI / ML model is useable by the UE.

[0073] In some embodiments of the method 500, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0074] In some embodiments of the method 500, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0075] In some embodiments of the method 500, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0076] In some embodiments of the method 500, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0077] In some embodiments, the method 500 further comprises encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.

[0078] In some embodiments of the method 500, the model configuration message further comprises additional condition compatibility information for the one or more compatible AI / ML models.

[0079] In some embodiments, the method 500 further comprises receiving, from the UE, one or more active UE-side additional conditions.

[0080] In some embodiments of the method 500, the notification message further indicates that the selected AI / ML model is stored at the UE.

[0081] In some embodiments of the method 500, the notification message further indicates that the selected AI / ML model is stored at the server.

[0082] FIG. 6 illustrates a method 600 of a UE, according to embodiments herein. The method 600 includes sending 602, to a base station, a capability report indicating one or more supported AI / ML features for which the UE can perform AI / ML model training. The method 600 further includes receiving 604, from the base station, assistance information identifying one or more active AI / ML features, wherein each of the one or more active AI / ML features comprises one of the one or more supported AI / ML features. The method 600 further includes receiving 606, from the base station, one or more active network-side additional conditions. The method 600 further includes designing 608 an AI / ML model for training based on the one or more active AI / ML features and the one or more active network-side additional conditions. The method 600 further includes generating 610 a training dataset for the AI / ML model based on signaling received from the base station. The method 600 further includes sending 612 the training dataset to a server to cause the training of the AI / ML model at the server. The method 600 further includes sending 614, to the base station, a notification message indicating that the AI / ML model is useable by the UE.

[0083] In some embodiments of the method 600, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0084] In some embodiments of the method 600, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0085] In some embodiments of the method 600, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0086] In some embodiments of the method 600, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0087] In some embodiments of the method 600, the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions using a decryption key corresponding to the base station.

[0088] In some embodiments of the method 600, the one or more one or more active AI / ML features comprises one or more of a CSI compression feature, and a beam management feature.

[0089] In some embodiments, the method 600, further comprises sending, to the base station, one or more active UE-side additional conditions.

[0090] In some embodiments of the method 600, the notification message further indicates that the selected AI / ML model is stored at the UE.

[0091] In some embodiments of the method 600, the notification message further indicates that the selected AI / ML model is stored at the server.

[0092] FIG. 7 illustrates a method 700 of a base station, according to embodiments herein. The method 700 includes receiving 702, from a UE, a capability report indicating one or more supported AI / ML features for which the UE can perform AI / ML model training. The method 700 further includes sending 704, to the UE, assistance information identifying one or more active AI / ML features, wherein each of the one or more active AI / ML features comprises one of the one or more supported AI / ML features. The method 700 further includes sending 706, to the UE, one or more active network-side additional conditions. The method 700 further includes performing 708 signaling with the UE that enables the UE to generate a training dataset for a AI / ML model designed at the UE based on the one or more active AI / ML features and the one or more active network-side additional conditions. The method 700 further includes receiving 710, from the UE, a notification message indicating that the AI / ML model is useable by the UE.

[0093] In some embodiments of the method 700, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset  information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0094] In some embodiments of the method 700, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0095] In some embodiments of the method 700, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0096] In some embodiments of the method 700, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0097] In some embodiments, the method 700 further comprises encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.

[0098] In some embodiments of the method 700, the one or more one or more active AI / ML features comprises one or more of a CSI compression feature, and a beam management feature.

[0099] In some embodiments, the method 700 further comprises receiving, from the UE, one or more active UE-side additional conditions.

[0100] In some embodiments of the method 700, the notification message further indicates that the selected AI / ML model is stored at the UE.

[0101] In some embodiments of the method 700, the notification message further indicates that the selected AI / ML model is stored at the server.

[0102] FIG. 8 illustrates a method 800 of a UE, according to embodiments herein. The method 800 includes receiving 802, from a base station, a model configuration message indicating one or more supported AI / ML functionalities for inference and one or more model switch conditions. The method 800 further includes receiving 804, from the base station, one or more active network-side additional conditions. The method 800 further includes selecting 806 an AI / ML model from one or more compatible AI / ML models based on the one or more active network-side additional conditions and the one or more model  switch conditions. The method 800 further includes receiving 808, from the base station, signaling comprising a dataset for use with the selected AI / ML model. The method 800 further includes performing 810 an inference using the selected AI / ML model and the received dataset corresponding to the selected AI / ML model.

[0103] In some embodiments of the method 800, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0104] In some embodiments of the method 800, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0105] In some embodiments of the method 800, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0106] In some embodiments of the method 800, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0107] In some embodiments of the method 800, the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions from the encrypted format using a decryption key corresponding to the base station.

[0108] In some embodiments, the method 800 further comprises determining that a configured event has been fulfilled, and sending, to the base station, based on the determination that the configured event has been fulfilled, a UL request message indicating a request for the one or more active network-side additional conditions. In some such embodiments, the UL request message comprises one or more of a UL RRC message, a MAC-CE message, and a dedicated SR message. In some other such embodiments, the configured event is that a monitored inference error is greater than or equal to a configured threshold.

[0109] In some embodiments, the method 800 further comprises sending, to the base station, a notification message identifying the selected AI / ML model used to perform the inference.

[0110] In some embodiments of the method 800, the one or more model switch conditions comprise one or more of a performance monitor metric threshold, a network-side additional condition, and a UE-side additional condition.

[0111] In some embodiments of the method 800, the one or more active network-side additional conditions are received from the base station in one or more of an RRC message and a MAC-CE message.

[0112] FIG. 9 illustrates a method 900 of a base station, according to embodiments herein. The method 900 includes sending 902, to a UE, a model configuration message indicating one or more supported AI / ML functionalities for inference and the one or more model switch conditions. The method 900 further includes sending 904, to the UE, one or more active network-side additional conditions. The method 900 further include sending 906, to the UE, signaling comprising one or more datasets corresponding to the one or more supported AI / ML functionalities.

[0113] In some embodiments of the method 900, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0114] In some embodiments of the method 900, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0115] In some embodiments of the method 900, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0116] In some embodiments of the method 900, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0117] In some embodiments, the method 900 further comprises receiving, from the UE, a notification message comprising a selected AI / ML model used to perform an inference at the UE.

[0118] In some embodiments, the method 900 further comprises encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.

[0119] In some embodiments, the method 900 further comprises receiving, from the UE, an UL request message requesting the one or more active network-side additional conditions, wherein the one or more active network-side additional conditions are sent to the UE based on the UL request message. In some such embodiments, the UL request message received from the UE comprises one or more of an RRC message, a MAC-CE message, and a dedicated SR message.

[0120] In some embodiments of the method 900, the one or more model switch conditions comprise one or more of a performance monitor metric threshold, a network-side additional condition, and a UE-side additional condition.

[0121] In some embodiments of the method 900, the one or more active network-side additional conditions comprise one or more of an RRC message and an MAC-CE message.

[0122] FIG. 10 illustrates a method 1000 of a UE, according to embodiments herein. The method 1000 includes receiving 1002, from a base station, a model configuration message indicating one or more compatible AI / ML models for inference. The method 1000 further includes receiving 1004, from the base station, one or more active network-side additional conditions. The method 1000 further includes identifying 1006 a subset of AI / ML models from the one or more compatible AI / ML models for inference based on the one or more active network-side additional conditions. The method 1000 further includes sending 1008, to the base station, a notification message comprising the subset of AI / ML models. The method 1000 further includes receiving 1010, from the base station, an AI / ML model ID for a selected AI / ML model to use for an inference. The method 1000 further includes performing 1012 the inference using the selected AI / ML model.

[0123] In some embodiments of the method 1000, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0124] In some embodiments of the method 1000, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0125] In some embodiments of the method 1000, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0126] In some embodiments of the method 1000, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0127] In some embodiments of the method 1000, the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions from the encrypted format using a decryption key corresponding to the base station.

[0128] In some embodiments, the method 1000 further comprises sending, to a server, the notification message comprising the subset of AI / ML models.

[0129] In some embodiments, the method 1000 further comprises sending, to the base station, a request for the one or more active network-side additional conditions, wherein the one or more active network-side additional conditions are received in response to the request for the one or more active network-side additional conditions.

[0130] In some embodiments of the method 1000, the one or more active network-side additional conditions comprise one or more of an RRC message and a MAC-CE message.

[0131] In some embodiments of the method 1000, the notification message comprises an UL RRC message.

[0132] FIG. 11 illustrates a method 1100 of a base station, according to embodiments herein. The method 1100 includes sending 1102, to a UE, a model configuration message indicating one or more compatible AI / ML for an inference. The method 1100 further includes sending 1104, to the UE, one or more active network-side additional conditions. The method 1100 further includes receiving 1106, from the UE, a notification message identifying a subset of AI / ML models, wherein the subset of AI / ML models is a subset of the one or more compatible AI / ML models. The method 1100 further includes identifying 1108, based on the notification message, a selected AI / ML model for use for the inference.  The method 1100 further includes sending 1110, to the UE, an indication message comprising AI / ML model ID for the selected AI / ML model for use for the inference.

[0133] In some embodiments of the method 1100, the one or more active network-side additional conditions comprises dataset information. In some such embodiments, the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.

[0134] In some embodiments of the method 1100, the one or more active network-side additional conditions comprises network antenna information. In some such embodiments, the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.

[0135] In some embodiments of the method 1100, the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.

[0136] In some embodiments of the method 1100, the one or more active network-side additional conditions comprises network status information. In some such embodiments, the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.

[0137] In some embodiments, the method 1100 further comprises encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.

[0138] In some embodiments, the method 1100 further comprises receiving, from the UE, an UL request message requesting the one or more active network-side additional conditions, wherein the one or more active network-side additional conditions are sent to the UE based on the UL request message.

[0139] In some embodiments of the method 1100, the one or more active network-side additional conditions comprise one or more of an RRC message and a MAC-CE message.

[0140] In some embodiments of the method 1100, the notification message comprises a UL RRC message.

[0141] FIG. 12 illustrates an example architecture of a wireless communication system 1200, according to embodiments disclosed herein. The following description is provided for an example wireless communication system 1200 that operates in conjunction with the LTE  system standards and / or 5G or NR system standards as provided by 3GPP technical specifications.

[0142] As shown by FIG. 12, the wireless communication system 1200 includes UE 1202 and UE 1204 (although any number of UEs may be used) . In this example, the UE 1202 and the UE 1204 are illustrated as smartphones (e.g., handheld touchscreen mobile computing devices connectable to one or more cellular networks) , but may also comprise any mobile or non-mobile computing device configured for wireless communication.

[0143] The UE 1202 and UE 1204 may be configured to communicatively couple with a RAN 1206. In embodiments, the RAN 1206 may be NG-RAN, E-UTRAN, etc. The UE 1202 and UE 1204 utilize connections (or channels) (shown as connection 1208 and connection 1210, respectively) with the RAN 1206, each of which comprises a physical communications interface. The RAN 1206 can include one or more base stations (such as base station 1212 and base station 1214) that enable the connection 1208 and connection 1210.

[0144] In this example, the connection 1208 and connection 1210 are air interfaces to enable such communicative coupling, and may be consistent with RAT (s) used by the RAN 1206, such as, for example, an LTE and / or NR.

[0145] In some embodiments, the UE 1202 and UE 1204 may also directly exchange communication data via a sidelink interface 1216. The UE 1204 is shown to be configured to access an access point (shown as AP 1218) via connection 1220. By way of example, the connection 1220 can comprise a local wireless connection, such as a connection consistent with any IEEE 802.11 protocol, wherein the AP 1218 may comprise a router. In this example, the AP 1218 may be connected to another network (for example, the Internet) without going through a CN 1224.

[0146] In embodiments, the UE 1202 and UE 1204 can be configured to communicate using orthogonal frequency division multiplexing (OFDM) communication signals with each other or with the base station 1212 and / or the base station 1214 over a multicarrier communication channel in accordance with various communication techniques, such as, but not limited to, an orthogonal frequency division multiple access (OFDMA) communication technique (e.g., for downlink communications) or a single carrier frequency division multiple access (SC-FDMA) communication technique (e.g., for uplink and ProSe or sidelink communications) , although the scope of the embodiments is not limited in this respect. The OFDM signals can comprise a plurality of orthogonal subcarriers.

[0147] In some embodiments, all or parts of the base station 1212 or base station 1214 may be implemented as one or more software entities running on server computers as part of a virtual network. In addition, or in other embodiments, the base station 1212 or base station 1214 may be configured to communicate with one another via interface 1222. In embodiments where the wireless communication system 1200 is an LTE system (e.g., when the CN 1224 is an EPC) , the interface 1222 may be an X2 interface. The X2 interface may be defined between two or more base stations (e.g., two or more eNBs and the like) that connect to an EPC, and / or between two eNBs connecting to the EPC. In embodiments where the wireless communication system 1200 is an NR system (e.g., when CN 1224 is a 5GC) , the interface 1222 may be an Xn interface. The Xn interface is defined between two or more base stations (e.g., two or more gNBs and the like) that connect to 5GC, between a base station 1212 (e.g., a gNB) connecting to 5GC and an eNB, and / or between two eNBs connecting to 5GC (e.g., CN 1224) .

[0148] The RAN 1206 is shown to be communicatively coupled to the CN 1224. The CN 1224 may comprise one or more network elements 1226, which are configured to offer various data and telecommunications services to customers / subscribers (e.g., users of UE 1202 and UE 1204) who are connected to the CN 1224 via the RAN 1206. The components of the CN 1224 may be implemented in one physical device or separate physical devices including components to read and execute instructions from a machine-readable or computer-readable medium (e.g., a non-transitory machine-readable storage medium) .

[0149] In embodiments, the CN 1224 may be an EPC, and the RAN 1206 may be connected with the CN 1224 via an S1 interface 1228. In embodiments, the S1 interface 1228 may be split into two parts, an S1 user plane (S1-U) interface, which carries traffic data between the base station 1212 or base station 1214 and a serving gateway (S-GW) , and the S1-MME interface, which is a signaling interface between the base station 1212 or base station 1214 and mobility management entities (MMEs) .

[0150] In embodiments, the CN 1224 may be a 5GC, and the RAN 1206 may be connected with the CN 1224 via an NG interface 1228. In embodiments, the NG interface 1228 may be split into two parts, an NG user plane (NG-U) interface, which carries traffic data between the base station 1212 or base station 1214 and a user plane function (UPF) , and the S1 control plane (NG-C) interface, which is a signaling interface between the base station 1212 or base station 1214 and access and mobility management functions (AMFs) .

[0151] Generally, an application server 1230 may be an element offering applications that use internet protocol (IP) bearer resources with the CN 1224 (e.g., packet switched data  services) . The application server 1230 can also be configured to support one or more communication services (e.g., VoIP sessions, group communication sessions, etc. ) for the UE 1202 and UE 1204 via the CN 1224. The application server 1230 may communicate with the CN 1224 through an IP communications interface 1232.

[0152] FIG. 13 illustrates a system 1300 for performing signaling 1334 between a wireless device 1302 and a network device 1318, according to embodiments disclosed herein. The system 1300 may be a portion of a wireless communications system as herein described. The wireless device 1302 may be, for example, a UE of a wireless communication system. The network device 1318 may be, for example, a base station (e.g., an eNB or a gNB) of a wireless communication system.

[0153] The wireless device 1302 may include one or more processor (s) 1304. The processor (s) 1304 may execute instructions such that various operations of the wireless device 1302 are performed, as described herein. The processor (s) 1304 may include one or more baseband processors implemented using, for example, a central processing unit (CPU) , a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a controller, a field programmable gate array (FPGA) device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0154] The wireless device 1302 may include a memory 1306. The memory 1306 may be a non-transitory computer-readable storage medium that stores instructions 1308 (which may include, for example, the instructions being executed by the processor (s) 1304) . The instructions 1308 may also be referred to as program code or a computer program. The memory 1306 may also store data used by, and results computed by, the processor (s) 1304.

[0155] The wireless device 1302 may include one or more transceiver (s) 1310 that may include radio frequency (RF) transmitter circuitry and / or receiver circuitry that use the antenna (s) 1312 of the wireless device 1302 to facilitate signaling (e.g., the signaling 1334) to and / or from the wireless device 1302 with other devices (e.g., the network device 1318) according to corresponding RATs.

[0156] The wireless device 1302 may include one or more antenna (s) 1312 (e.g., one, two, four, or more) . For embodiments with multiple antenna (s) 1312, the wireless device 1302 may leverage the spatial diversity of such multiple antenna (s) 1312 to send and / or receive multiple different data streams on the same time and frequency resources. This behavior may be referred to as, for example, multiple input multiple output (MIMO) behavior (referring to the multiple antennas used at each of a transmitting device and a receiving  device that enable this aspect) . MIMO transmissions by the wireless device 1302 may be accomplished according to precoding (or digital beamforming) that is applied at the wireless device 1302 that multiplexes the data streams across the antenna (s) 1312 according to known or assumed channel characteristics such that each data stream is received with an appropriate signal strength relative to other streams and at a desired location in the spatial domain (e.g., the location of a receiver associated with that data stream) . Certain embodiments may use single user MIMO (SU-MIMO) methods (where the data streams are all directed to a single receiver) and / or multi user MIMO (MU-MIMO) methods (where individual data streams may be directed to individual (different) receivers in different locations in the spatial domain) .

[0157] In certain embodiments having multiple antennas, the wireless device 1302 may implement analog beamforming techniques, whereby phases of the signals sent by the antenna (s) 1312 are relatively adjusted such that the (joint) transmission of the antenna (s) 1312 can be directed (this is sometimes referred to as beam steering) .

[0158] The wireless device 1302 may include one or more interface (s) 1314. The interface (s) 1314 may be used to provide input to or output from the wireless device 1302. For example, a wireless device 1302 that is a UE may include interface (s) 1314 such as microphones, speakers, a touchscreen, buttons, and the like in order to allow for input and / or output to the UE by a user of the UE. Other interfaces of such a UE may be made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 1310 / antenna (s) 1312 already described) that allow for communication between the UE and other devices and may operate according to known protocols (e.g.,  and the like) .

[0159] The wireless device 1302 may include an additional condition signaling module 1316. The additional condition signaling module 1316 may be implemented via hardware, software, or combinations thereof. For example, the additional condition signaling module 1316 may be implemented as a processor, circuit, and / or instructions 1308 stored in the memory 1306 and executed by the processor (s) 1304. In some examples, the additional condition signaling module 1316 may be integrated within the processor (s) 1304 and / or the transceiver (s) 1310. For example, the additional condition signaling module 1316 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 1304 or the transceiver (s) 1310.

[0160] The additional condition signaling module 1316 may be used for various aspects of the present disclosure, for example, aspects of any one of FIG. 1, FIG. 2, and / or FIG. 3. The additional condition signaling module 1316 is configured to receive one or more additional conditions that are used to select an AI / ML model for training from a set of compatible AI / ML models. In some cases, the AI / ML model selected based on the received additional conditions may be used for inference.

[0161] The network device 1318 may include one or more processor (s) 1320. The processor (s) 1320 may execute instructions such that various operations of the network device 1318 are performed, as described herein. The processor (s) 1320 may include one or more baseband processors implemented using, for example, a CPU, a DSP, an ASIC, a controller, an FPGA device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0162] The network device 1318 may include a memory 1322. The memory 1322 may be a non-transitory computer-readable storage medium that stores instructions 1324 (which may include, for example, the instructions being executed by the processor (s) 1320) . The instructions 1324 may also be referred to as program code or a computer program. The memory 1322 may also store data used by, and results computed by, the processor (s) 1320.

[0163] The network device 1318 may include one or more transceiver (s) 1326 that may include RF transmitter circuitry and / or receiver circuitry that use the antenna (s) 1328 of the network device 1318 to facilitate signaling (e.g., the signaling 1334) to and / or from the network device 1318 with other devices (e.g., the wireless device 1302) according to corresponding RATs.

[0164] The network device 1318 may include one or more antenna (s) 1328 (e.g., one, two, four, or more) . In embodiments having multiple antenna (s) 1328, the network device 1318 may perform MIMO, digital beamforming, analog beamforming, beam steering, etc., as has been described.

[0165] The network device 1318 may include one or more interface (s) 1330. The interface (s) 1330 may be used to provide input to or output from the network device 1318. For example, a network device 1318 that is a base station may include interface (s) 1330 made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 1326 / antenna (s) 1328 already described) that enables the base station to communicate with other equipment in a core network, and / or that enables the base station to communicate with external networks, computers, databases, and the like for purposes of operations,  administration, and maintenance of the base station or other equipment operably connected thereto.

[0166] The network device 1318 may include an additional condition signaling module 1332. The additional condition signaling module 1332 may be implemented via hardware, software, or combinations thereof. For example, the additional condition signaling module 1332 may be implemented as a processor, circuit, and / or instructions 1324 stored in the memory 1322 and executed by the processor (s) 1320. In some examples, the additional condition signaling module 1332 may be integrated within the processor (s) 1320 and / or the transceiver (s) 1326. For example, the additional condition signaling module 1332 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 1320 or the transceiver (s) 1326.

[0167] The additional condition signaling module 1332 may be used for various aspects of the present disclosure, for example, aspects of any one of FIG. 1, FIG. 2, and / or FIG. 3. The additional condition signaling module 1332 is configured to transmit, to a UE, one or more additional conditions that are used to select an AI / ML model for training from a set of compatible AI / ML models. In some cases, the AI / ML model selected based on the transmitted additional conditions may be used for inference.

[0168] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of any of the method 400, the method 600, the method 800 and the method 1000. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0169] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of any of the method 400, the method 600, the method 800 and the method 1000. This non-transitory computer-readable media may be, for example, a memory of a UE (such as a memory 1306 of a wireless device 1302 that is a UE, as described herein) .

[0170] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of any of the method 400, the method 600, the method 800 and the method 1000. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0171] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when  executed by the one or more processors, cause the one or more processors to perform one or more elements of any of the method 400, the method 600, the method 800 and the method 1000. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0172] Embodiments contemplated herein include a signal as described in or related to one or more elements of any of the method 400, the method 600, the method 800 and the method 1000.

[0173] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processor is to cause the processor to carry out one or more elements of any of the method 400, the method 600, the method 800 and the method 1000. The processor may be a processor of a UE (such as a processor (s) 1304 of a wireless device 1302 that is a UE, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the UE (such as a memory 1306 of a wireless device 1302 that is a UE, as described herein) .

[0174] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of any of the method 500, the method 700, the method 900 and the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0175] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of any of the method 500, the method 700, the method 900 and the method 1100. This non-transitory computer-readable media may be, for example, a memory of a base station (such as a memory 1322 of a network device 1318 that is a base station, as described herein) .

[0176] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of any of the method 500, the method 700, the method 900 and the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0177] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of any of the method 500, the method 700, the method 900 and the method  1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0178] Embodiments contemplated herein include a signal as described in or related to one or more elements of any of the method 500, the method 700, the method 900 and the method 1100.

[0179] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processing element is to cause the processing element to carry out one or more elements of any of the method 500, the method 700, the method 900 and the method 1100. The processor may be a processor of a base station (such as a processor (s) 1320 of a network device 1318 that is a base station, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the base station (such as a memory 1322 of a network device 1318 that is a base station, as described herein) .

[0180] For one or more embodiments, at least one of the components set forth in one or more of the preceding figures may be configured to perform one or more operations, techniques, processes, and / or methods as set forth herein. For example, a baseband processor as described herein in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein. For another example, circuitry associated with a UE, base station, network element, etc. as described above in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein.

[0181] Any of the above described embodiments may be combined with any other embodiment (or combination of embodiments) , unless explicitly stated otherwise. The foregoing description of one or more implementations provides illustration and description, but is not intended to be exhaustive or to limit the scope of embodiments to the precise form disclosed. Modifications and variations are possible in light of the above teachings or may be acquired from practice of various embodiments.

[0182] Embodiments and implementations of the systems and methods described herein may include various operations, which may be embodied in machine-executable instructions to be executed by a computer system. A computer system may include one or more general-purpose or special-purpose computers (or other electronic devices) . The computer system may include hardware components that include specific logic for performing the operations or may include a combination of hardware, software, and / or firmware.

[0183] It should be recognized that the systems described herein include descriptions of specific embodiments. These embodiments can be combined into single systems, partially combined into other systems, split into multiple systems or divided or combined in other ways. In addition, it is contemplated that parameters, attributes, aspects, etc. of one embodiment can be used in another embodiment. The parameters, attributes, aspects, etc. are merely described in one or more embodiments for clarity, and it is recognized that the parameters, attributes, aspects, etc. can be combined with or substituted for parameters, attributes, aspects, etc. of another embodiment unless specifically disclaimed herein.

[0184] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

[0185] Although the foregoing has been described in some detail for purposes of clarity, it will be apparent that certain changes and modifications may be made without departing from the principles thereof. It should be noted that there are many alternative ways of implementing both the processes and apparatuses described herein. Accordingly, the present embodiments are to be considered illustrative and not restrictive, and the description is not to be limited to the details given herein, but may be modified within the scope and equivalents of the appended claims.

Claims

1.A method of a user equipment (UE) , comprising:sending, to a base station, a capability report indicating one or more supported artificial intelligence (AI)  / machine learning (ML) features for which the UE can perform AI / ML model training;receiving, from the base station, a model configuration message identifying one or more compatible AI / ML models, wherein each of the one or more compatible AI / ML models is compatible with at least one of the one or more supported AI / ML features;receiving, from the base station, one or more active network-side additional conditions;selecting a selected AI / ML model from the one or more compatible AI / ML models for training based on the one or more active network-side additional conditions;generating a training dataset for the selected AI / ML model based on signaling received from the base station;sending the training dataset to a server to cause the training of the selected AI / ML model at the server; andsending, to the base station, a notification message indicating that the selected AI / ML model is useable by the UE.2.The method of claim 1, wherein the one or more active network-side additional conditions comprises dataset information.3.The method of claim 2, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.4.The method of claim 1, wherein the one or more active network-side additional conditions comprises network antenna information.5.The method of claim 4, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.6.The method of claim 1, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.7.The method of claim 1, wherein the one or more active network-side additional conditions comprises network status information.8.The method of claim 7, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.9.The method of claim 1, wherein the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions from the encrypted format using a decryption key corresponding to the base station.10.The method of claim 1, wherein the selecting the selected AI / ML model from the one or more compatible AI / ML models for training is further based on a memory restriction of the UE.11.The method of claim 1, wherein the selecting the selected AI / ML model from the one or more compatible AI / ML models for training is further based on a computation restriction of the UE.12.The method of claim 1, wherein the selecting the selected AI / ML model from the one or more compatible AI / ML models for training is further based on a computation restriction of the server.13.The method of claim 1, wherein the model configuration message further comprises additional condition compatibility information for the one or more compatible AI / ML models, and wherein the selecting the selected AI / ML model from the one or more compatible AI / ML models for training based on the active network-side additional conditions comprises comparing the active network-side additional conditions to the additional condition compatibility information for the one or more compatible AI / ML models.14.The method of claim 1, further comprising sending, to the base station, one or more active UE-side additional conditions.15.The method of claim 1, wherein the notification message further indicates that the selected AI / ML model is stored at the UE.16.The method of claim 1, wherein the notification message further indicates that the selected AI / ML model is stored at the server.17.A method of a base station, comprising:receiving, from a user equipment (UE) , a capability report indicating one or more supported artificial intelligence (AI)  / machine learning (ML) features for which the UE can perform AI / ML model training;sending, to the UE, a model configuration message identifying one or more compatible AI / ML models, wherein each of the one or more compatible AI / ML models is compatible with at least one of the one or more supported AI / ML features;sending, to the UE, one or more active network-side additional conditions;performing signaling with the UE that enables the UE to generate a training dataset for a selected AI / ML model of the one or more compatible AI / ML models; andreceiving, from the UE, a notification message indicating that the selected AI / ML model is useable by the UE.18.The method of claim 17, wherein the one or more active network-side additional conditions comprises dataset information.19.The method of claim 18, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.20.The method of claim 17, wherein the one or more active network-side additional conditions comprises network antenna information.21.The method of claim 20, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.22.The method of claim 17, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.23.The method of claim 17, wherein the one or more active network-side additional conditions comprises network status information.24.The method of claim 23, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.25.The method of claim 17, further comprising encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an  encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.26.The method of claim 17, wherein the model configuration message further comprises additional condition compatibility information for the one or more compatible AI / ML models.27.The method of claim 17, further comprising receiving, from the UE, one or more active UE-side additional conditions.28.The method of claim 17, wherein the notification message further indicates that the selected AI / ML model is stored at the UE.29.The method of claim 17, wherein the notification message further indicates that the selected AI / ML model is stored at a server.30.A method of a user equipment (UE) , comprising:sending, to a base station, a capability report indicating one or more supported artificial intelligence (AI)  / machine learning (ML) features for which the UE can perform AI / ML model training;receiving, from the base station, assistance information identifying one or more active AI / ML features, wherein each of the one or more active AI / ML features comprises one of the one or more supported AI / ML features;receiving, from the base station, one or more active network-side additional conditions;designing an AI / ML model for training based on the one or more active AI / ML features and the one or more active network-side additional conditions;generating a training dataset for the AI / ML model based on signaling received from the base station;sending the training dataset to a server to cause the training of the AI / ML model at the server; andsending, to the base station, a notification message indicating that the AI / ML model is useable by the UE.31.The method of claim 30, wherein the one or more active network-side additional conditions comprises dataset information.32.The method of claim 31, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.33.The method of claim 30, wherein the one or more active network-side additional conditions comprises network antenna information.34.The method of claim 33, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.35.The method of claim 30, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.36.The method of claim 30, wherein the one or more active network-side additional conditions comprises network status information.37.The method of claim 36, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.38.The method of claim 30, wherein the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions using a decryption key corresponding to the base station.39.The method of claim 30, wherein the one or more one or more active AI / ML features comprises one or more of:a channel state information (CSI) compression feature; anda beam management feature.40.The method of claim 30, further comprising sending, to the base station, one or more active UE-side additional conditions.41.The method of claim 30, wherein the notification message further indicates that the selected AI / ML model is stored at the UE.42.The method of claim 30, wherein the notification message further indicates that the selected AI / ML model is stored at the server.43.A method of a base station, comprising:receiving, from a user equipment (UE) , a capability report indicating one or more supported artificial intelligence (AI)  / machine learning (ML) features for which the UE can perform AI / ML model training;sending, to the UE, assistance information identifying one or more active AI / ML features, wherein each of the one or more active AI / ML features comprises one of the one or more supported AI / ML features;sending, to the UE, one or more active network-side additional conditions;performing signaling with the UE that enables the UE to generate a training dataset for a AI / ML model designed at the UE based on the one or more active AI / ML features and the one or more active network-side additional conditions; andreceiving, from the UE, a notification message indicating that the AI / ML model is useable by the UE.44.The method of claim 43, wherein the one or more active network-side additional conditions comprises dataset information.45.The method of claim 44, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.46.The method of claim 43, wherein the one or more active network-side additional conditions comprises network antenna information.47.The method of claim 44, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.48.The method of claim 43, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.49.The method of claim 43, wherein the one or more active network-side additional conditions comprises network status information.50.The method of claim 49, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.51.The method of claim 43, further comprising encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an  encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.52.The method of claim 43, wherein the one or more one or more active AI / ML features comprises one or more of:a channel state information (CSI) compression feature; anda beam management feature.53.The method of claim 43, further comprising receiving, from the UE, one or more active UE-side additional conditions.54.The method of claim 43, wherein the notification message further indicates that the selected AI / ML model is stored at the UE.55.The method of claim 43, wherein the notification message further indicates that the selected AI / ML model is stored at a server.56.A method of a user equipment (UE) , comprising:receiving, from a base station, a model configuration message indicating one or more supported artificial intelligence (AI)  / machine learning (ML) functionalities for inference and one or more model switch conditions;receiving, from the base station, one or more active network-side additional conditions;selecting an AI / ML model from one or more compatible AI / ML models based on the one or more active network-side additional conditions and the one or more model switch conditions;receiving, from the base station, signaling comprising a dataset for use with the selected AI / ML model; andperforming an inference using the selected AI / ML model and the received dataset corresponding to the selected AI / ML model.57.The method of claim 56, wherein the one or more active network-side additional conditions comprises dataset information.58.The method of claim 57, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.59.The method of claim 56, wherein the one or more active network-side additional conditions comprises network antenna information.60.The method of claim 59, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.61.The method of claim 56, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.62.The method of claim 56, wherein the one or more active network-side additional conditions comprises network status information.63.The method of claim 62, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.64.The method of claim 56, wherein the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions from the encrypted format using a decryption key corresponding to the base station.65.The method of claim 56, further comprising:determining that a configured event has been fulfilled, andsending, to the base station, based on the determination that the configured event has been fulfilled, an uplink (UL) request message indicating a request for the one or more active network-side additional conditions.66.The method of claim 65, wherein the UL request message comprises one or more of a UL radio resource control (RRC) message, a medium access control-control element (MAC-CE) message, and a dedicated scheduling request (SR) message.67.The method of claim 65, wherein the configured event is that a monitored inference error is greater than or equal to a configured threshold.68.The method of claim 56, further comprising sending, to the base station, a notification message identifying the selected AI / ML model used to perform the inference.69.The method of claim 56, wherein the one or more model switch conditions comprise one or more of a performance monitor metric threshold, a network-side additional condition, and a UE-side additional condition.70.The method of claim 56, wherein the one or more active network-side additional conditions are received from the base station in one or more of a radio resource control (RRC) message and a medium access control-control element (MAC-CE) message.71.A method of a base station, comprising:sending, to a user equipment (UE) , a model configuration message indicating one or more supported artificial intelligence (AI)  / machine learning (ML) functionalities for inference and one or more model switch conditions;sending, to the UE, one or more active network-side additional conditions; andsending, to the UE, signaling comprising one or more datasets corresponding to the one or more supported AI / ML functionalities.72.The method of claim 71, wherein the one or more active network-side additional conditions comprises dataset information.73.The method of claim 72, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.74.The method of claim 71, wherein the one or more active network-side additional conditions comprises network antenna information.75.The method of claim 74, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.76.The method of claim 71, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.77.The method of claim 71, wherein the one or more active network-side additional conditions comprises network status information.78.The method of claim 77, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.79.The method of claim 71, further comprising receiving, from the UE, a notification message comprising a selected AI / ML model used to perform an inference at the UE.80.The method of claim 71 further comprising encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.81.The method of claim 71 further comprising receiving, from the UE, an uplink (UL) request message requesting the one or more active network-side additional conditions, wherein the one or more active network-side additional conditions are sent to the UE based on the UL request message.82.The method of claim 81, wherein the UL request message received from the UE comprises one or more of a radio resource control (RRC) message, a medium access control-control element (MAC-CE) message, and a dedicated scheduling request (SR) message.83.The method of claim 71, wherein the one or more model switch conditions comprise one or more of a performance monitor metric threshold, a network-side additional condition, and a UE-side additional condition.84.The method of claim 71, wherein the one or more active network-side additional conditions comprise one or more of a radio resource control (RRC) message and an medium access control-control element (MAC-CE) message.85.A method of a user equipment (UE) , comprising:receiving, from a base station, a model configuration message indicating one or more compatible artificial intelligence (AI)  / machine learning (ML) models for inference;receiving, from the base station, one or more active network-side additional conditions;identifying a subset of AI / ML models from the one or more compatible AI / ML models for inference based on the one or more active network-side additional conditions;sending, to the base station, a notification message comprising the subset of AI / ML models;receiving, from the base station, an AI / ML model identifier (ID) for a selected AI / ML model to use for an inference; andperforming the inference using the selected AI / ML model.86.The method of claim 85, wherein the one or more active network-side additional conditions comprises dataset information.87.The method of claim 86, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.88.The method of claim 85, wherein the one or more active network-side additional conditions comprises network antenna information.89.The method of claim 88, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.90.The method of claim 85, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.91.The method of claim 85, wherein the one or more active network-side additional conditions comprises network status information.92.The method of claim 91, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.93.The method of claim 85, wherein the one or more active network-side additional conditions are received at the UE in an encrypted format, and further comprising decrypting the one or more active network-side additional conditions from the encrypted format using a decryption key corresponding to the base station.94.The method of claim 85, further comprising sending, to a server, the notification message comprising the subset of AI / ML models.95.The method of claim 85, further comprising sending, to the base station, a request for the one or more active network-side additional conditions, wherein the one or more active network-side additional conditions are received in response to the request for the one or more active network-side additional conditions.96.The method of claim 85, wherein the one or more active network-side additional conditions comprise one or more of a radio resource control (RRC) message and a medium access control-control element (MAC-CE) message.97.The method of claim 85, wherein the notification message comprises an uplink (UL) radio resource control (RRC) message.98.A method of a base station, comprising:sending, to a user equipment (UE) , a model configuration message indicating one or more compatible artificial intelligence (AI)  / machine learning (ML) for an inference;sending, to the UE, one or more active network-side additional conditions;receiving, from the UE, a notification message identifying a subset of AI / ML models, wherein the subset of AI / ML models is a subset of one or more compatible AI / ML models;identifying, based on the notification message, a selected AI / ML model for use for the inference; andsending, to the UE, an indication message comprising AI / ML model identifier (ID) for the selected AI / ML model for use for the inference.99.The method of claim 98, wherein the one or more active network-side additional conditions comprises dataset information.100.The method of claim 99, wherein the dataset information comprises one or more of a dataset category, a dataset type, a dataset size, and a dataset freshness.101.The method of claim 98, wherein the one or more active network-side additional conditions comprises network antenna information.102.The method of claim 101, wherein the network antenna information comprises one or more of an antenna panel information, a virtual mapping, a port number, an antenna polarization type, an antenna downtilt angle, and a beam pattern.103.The method of claim 98, wherein the one or more active network-side additional conditions comprises one or more of a network bandwidth and a network frequency.104.The method of claim 98, wherein the one or more active network-side additional conditions comprises network status information.105.The method of claim 104, wherein the network status information comprises one or more of a network traffic loading, a network resource utilization, a network computation loading, and a network congestion level.106.The method of claim 98, further comprising encrypting the one or more active network-side additional conditions using an encryption key corresponding to the base station into an encrypted format, wherein the one or more active network-side additional conditions are sent by the base station in the encrypted format.107.The method of claim 98, further comprising receiving, from the UE, an uplink (UL) request message requesting the one or more active network-side additional conditions, wherein the one or more active network-side additional conditions are sent to the UE based on the UL request message.108.The method of claim 98, wherein the one or more active network-side additional conditions comprise one or more of a radio resource control (RRC) message and a medium access control-control element (MAC-CE) message.109.The method of claim 98, wherein the notification message comprises an uplink (UL) radio resource control (RRC) message.110.An apparatus comprising means to perform the method of any of claim 1 to claim 109.111.A computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform the method of any of claim 1 to claim 109.112.An apparatus comprising logic, modules, or circuitry to perform the method of any of claim 1 to claim 109.113.A baseband processor for a user equipment (UE) that is configured to perform one or more elements of any one of claim 1 to claim 16, claim 30 to claim 42, claim 56 to claim 70, and claim 85 to claim 97.114.A baseband processor for a base station that is configured to perform one or more elements of any one of claim 17 to claim 29, claim 43 to claim 55, claim 71 to claim 84, and claim 98 to claim 109.

Images