Cause detection for artificial intelligence (AI) model-based channel state information (CSI) compression performance

Abstract

The present application relates to cause detection for artificial intelligence (AI) model-based channel state information (CSI) compression performance. In an example, a two-sided AI model for CSI is implemented: a first AI model (e.g., an encoder) at a user equipment (UE) and a second AI model (e.g., a decoder) at a base station. The base station and / or the UE can monitor the performance of the first AI model. Further, the base station and / or the UE can detect a cause for a degradation of the performance. The cause detection can be performed in conjunction with or separately from the performance monitoring.

Description

Cause Detection For Artificial Intelligence (AI) Model-Based Channel State Information (CSI) Compression PerformanceBACKGROUND

[0001] Wireless mobile communication technology can be standardized with the aim to improve upon data transmission speed, reliability, availability, and more. While standard-related work continues to develop, the existing cellular standard includes numerous details related to, for instance, a user equipment (UE) communicating with a network to send and receive data. In an example, channel state information (CSI) is used to improve reliability, efficiency, and overall performance of the communications.BRIEF DESCRIPTION OF THE DRAWINGS

[0002] FIG. 1 illustrates an example of a network environment in accordance with some embodiments.

[0003] FIG. 2 illustrates examples of operations for artificial intelligence (AI) model-based channel state information (CSI) compression and performance degradation cause detection in accordance with some embodiments.

[0004] FIG. 3 illustrates an example of network-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0005] FIG. 4 illustrates an example of network-side AI model performance monitoring and user equipment (UE) -side performance degradation cause detection in accordance with some embodiments.

[0006] FIG. 5 illustrates an example of UE-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0007] FIG. 6 illustrates an example of UE-side AI model performance monitoring and network-side performance degradation cause detection in accordance with some embodiments.

[0008] FIG. 7 illustrates an example of a sequence diagram for network-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0009] FIG. 8 illustrates an example of a sequence diagram for UE-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0010] FIG. 9 illustrates an example of a sequence diagram for UE-side AI model performance monitoring and network-side performance degradation cause detection in accordance with some embodiments in accordance with some embodiments.

[0011] FIG. 10 illustrates an example of a sequence diagram for network-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0012] FIG. 11 illustrates an example of an operational flow / algorithmic structure for AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0013] FIG. 12 illustrates another example of an operational flow / algorithmic structure for AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0014] FIG. 13 illustrates yet another example of an operational flow / algorithmic structure for AI model performance monitoring and performance degradation cause detection in accordance with some embodiments.

[0015] FIG. 14 illustrates an example of receive components in accordance with some embodiments.

[0016] FIG. 15 illustrates an example of a UE in accordance with some embodiments.

[0017] FIG. 16 illustrates an example of a base station in accordance with some embodiments.DETAILED DESCRIPTION

[0018] Embodiments of the present disclosure relate to, among other things, cause detection for artificial intelligence (AI) model-based channel state information (CSI) compression performance. In an example, a user equipment can implement (e.g., in software and / or hardware) an AI model (e.g., an encoder) to generate CSI compression (also referred to as CSI compression feedback or CSI feedback) . A network (e.g., a node thereof such as a base station) can also implement an AI model (e.g., a decoder) to decompress the CSI  compression and determine CSI (also referred to as output CSI) . This example can be referred to as a two-sided model that involves a UE side and a network side, where the UE side corresponds to the AI model use by the UE, and where the network side corresponds to the AI model use by the network.

[0019] Generally, AI model-based CSI compression can reduce overhead, improve accuracy, and improve channel prediction. However, the AI model performance may degrade for different reasons. Embodiments of the present disclosure enable detection of a cause of the performance degradation, where this cause can be on the UE side, the network side, and / or a data drift. Because the cause is detected, adjustments to the AI model use can be made (e.g., by switching to another AI model, by collecting additional training data and performing further training, etc. ) such that the performance degradation is mitigated. In various examples, AI model performance monitoring can be performed on one side (e.g., the network side or the UE side) . In comparison, the cause detection can be performed on the same side or the other side (e.g. the network side if the AI model performance monitoring is performed on the UE side, or vice versa) . Further, the AI model performance monitoring and the cause detection can be performed separately and / or in conjunction with each other.

[0020] The following detailed description refers to the accompanying drawings. The same reference numbers may be used in different drawings to identify the same or similar elements. In the following description, for purposes of explanation and not limitation, specific details are set forth, such as particular structures, architectures, interfaces, techniques, etc. in order to provide a thorough understanding of the various aspects of various embodiments. However, it will be apparent to those skilled in the art having the benefit of the present disclosure that the various aspects of the various embodiments may be practiced in other examples that depart from these specific details. In certain instances, descriptions of well-known devices, circuits, and methods are omitted so as not to obscure the description of the various embodiments with unnecessary detail. For the purposes of the present document, the phrase “A or B” means (A) , (B) , or (A and B) .

[0021] The following is a glossary of terms that may be used in this disclosure.

[0022] The following detailed description refers to the accompanying drawings. The same reference numbers may be used in different drawings to identify the same or similar elements. In the following description, for purposes of explanation and not limitation, specific details are set forth such as particular structures, architectures, interfaces, techniques,  etc. in order to provide a thorough understanding of the various aspects of various embodiments. However, it will be apparent to those skilled in the art, having the benefit of the present disclosure, that the various aspects of the various embodiments may be practiced in other examples that depart from these specific details. In certain instances, descriptions of well-known devices, circuits, and methods are omitted so as not to obscure the description of the various embodiments with unnecessary detail. For the purposes of the present document, the phrase “A or B” means (A) , (B) , or (A and B) .

[0023] The following is a glossary of terms that may be used in this disclosure.

[0024] The term “circuitry” as used herein refers to, is part of, or includes hardware components, such as an electronic circuit, a logic circuit, a processor (shared, dedicated, or group) or memory (shared, dedicated, or group) , an Application Specific Integrated Circuit (ASIC) , a field-programmable device (FPD) (e.g., a field-programmable gate array (FPGA) , a programmable logic device (PLD) , a complex PLD (CPLD) , a high-capacity PLD (HCPLD) , a structured ASIC, a programmable system-on-a-chip (SoC) ) , digital signal processors (DSPs) , etc., that are configured to provide the described functionality. In some embodiments, the circuitry may execute one or more software or firmware programs to provide at least some of the described functionality. The term “circuitry” may also refer to a combination of one or more hardware elements (or a combination of circuits used in an electrical or electronic system) with the program code used to carry out the functionality of that program code. In these embodiments, the combination of hardware elements and program code may be referred to as a particular type of circuitry.

[0025] The term “processor circuitry” “or “processing circuitry” as used herein refers to, is part of, or includes circuitry capable of sequentially and automatically carrying out a sequence of arithmetic or logical operations, or recording, storing, or transferring digital data. The term “processor circuitry” and “processing circuitry” may refer to an application processor, baseband processor, a central processing unit (CPU) , a graphics processing unit, a single-core processor, a dual-core processor, a triple-core processor, a quad-core processor, or any other device capable of executing or otherwise operating computer-executable instructions, such as program code, software modules, or functional processes.

[0026] The term “interface circuitry” as used herein refers to, is part of, or includes circuitry that enables the exchange of information between two or more components or devices. The term “interface circuitry” may refer to one or more hardware interfaces, for  example, buses, I / O interfaces, peripheral component interfaces, network interface cards, or the like.

[0027] The term “user equipment” or “UE” as used herein refers to a device with radio communication capabilities and may describe a remote user of network resources in a communications network. The term “user equipment” or “UE” may be considered synonymous to, and may be referred to as, client, device, mobile, mobile device, mobile terminal, user terminal, mobile unit, mobile station, mobile user, subscriber, user, remote station, access agent, user agent, receiver, radio equipment, reconfigurable radio equipment, reconfigurable mobile device, etc. Furthermore, the term “user equipment” or “UE” may include any type of wireless / wired device or any computing device including a wireless communications interface. The UE may have a primary function of communication with another UE or a network and the UE may be integrated with other devices and / or systems (e.g., in a vehicle) .

[0028] The term “base station” as used herein refers to a device with radio communication capabilities, that is a device of a communications network (or, more briefly, network) , and that may be configured as an access node in the communications network. A UE’s access to the communications network may be managed at least in part by the base station, whereby the UE connects with the base station to access the communications network. Depending on the radio access technology (RAT) , the base station can be referred to as a gNodeB (gNB) , eNodeB (eNB) , access point, repeater on a communications satellite, etc.

[0029] The term “channel” as used herein refers to any transmission medium, either tangible or intangible, which is used to communicate data or a data stream. The term “channel” may be synonymous with or equivalent to “communications channel, ” “data communications channel, ” “transmission channel, ” “data transmission channel, ” “access channel, ” “data access channel, ” “link, ” “data link, ” “carrier, ” “radio-frequency carrier, ” or any other like term denoting a pathway or medium through which data is communicated. Additionally, the term “link” as used herein refers to a connection between two devices for the purpose of transmitting and receiving information.

[0030] FIG. 1 illustrates a network environment 100, in accordance with some embodiments. The network environment 100 may include a UE 104 and a base station 108. The base station 108 may be a gNB (or a set of transmission and reception points (TRPs) thereof) that provides a wireless access cell; for example, a Third-Generation Partnership  Project (3GPP) New Radio (NR) cell, through which the UE 104 may communicate with the gNB. The UE 104 and the base station 108 may communicate over an interface compatible with 3GPP technical specifications, such as those that define Fifth-Generation (5G) NR system standards.

[0031] The base station 108 may transmit information (for example, data and control signaling) in the downlink direction by mapping logical channels on the transport channels, then transport channels onto physical channels. The logical channels may transfer data between a radio link control (RLC) and media access control (MAC) layers; the transport channels may transfer data between the MAC and PHY layers; and the physical channels may transfer information across the air interface. The physical channels may include a physical broadcast channel (PBCH) ; a physical downlink control channel (PDCCH) ; and a physical downlink shared channel (PDSCH) .

[0032] The PBCH may be used to broadcast system information that the UE 104 may use for initial access to a serving cell. The PBCH may be transmitted along with physical synchronization signals (PSS) and secondary synchronization signals (SSS) in a synchronization signal (SS)  / PBCH block. The SS / PBCH blocks (SSBs) may be used by the UE 104 during a cell search procedure and for beam selection.

[0033] The PDSCH may be used to transfer end-user application data, signaling radio bearer (SRB) messages, system information messages (other than, for example, MIB) , and paging messages.

[0034] The PDCCH may transfer downlink control information (DCI) that is used by a scheduler of the base station 108 to allocate both uplink and downlink resources. The DCI may also be used to provide uplink power control commands, configure a slot format, or indicate that preemption has occurred.

[0035] The base station 108 may also transmit various reference signals to the UE 104. The reference signals may include demodulation reference signals (DMRSs) for the PBCH, PDCCH, and PDSCH. The UE 104 may compare a received version of the DMRS with a known DMRS sequence that was transmitted to estimate an impact of the propagation channel. The UE 104 may then apply an inverse of the propagation channel during a demodulation process of a corresponding physical channel transmission.

[0036] The reference signals may also include a CSI reference signal (CSI-RS) . The CSI-RS may be a multi-purpose downlink transmission signal that may be used for CSI reporting, beam management, connected mode mobility, radio link failure detection, beam failure detection and recovery, and fine-tuning of time and frequency synchronization.

[0037] The reference signals and information from the physical channels may be mapped to resources of a resource grid. There is one resource grid for a given antenna port, subcarrier spacing configuration, and transmission direction (for example, downlink or uplink) . The basic unit of an NR downlink resource grid may be a resource element, which may be defined by one subcarrier in the frequency domain, and one orthogonal frequency division multiplexing (OFDM) symbol in the time domain. Twelve consecutive subcarriers in the frequency domain may compose a physical resource block (PRB) . A resource element group (REG) may include one PRB in the frequency domain, and one OFDM symbol in the time domain, for example, twelve resource elements. A control channel element (CCE) may represent a group of resources used to transmit PDCCH. One CCE may be mapped to a number of REGs; for example, six REGs.

[0038] Transmissions that use different antenna ports may experience different radio channels. However, in some situations, different antenna ports may share common radio channel characteristics. For example, different antenna ports may have similar Doppler shifts, Doppler spreads, average delay, delay spread, or spatial receive parameters (for example, properties associated with a downlink received signal angle of arrival at a UE) . Antenna ports that share one or more of these large-scale radio channel characteristics may be said to be quasi co-located (QCL) with one another. 3GPP has specified four types of QCL to indicate which particular channel characteristics are shared. In QCL Type A, antenna ports share Doppler shift, Doppler spread, average delay, and delay spread. In QCL Type B, antenna ports share Doppler shift and Doppler spread. In QCL Type C, antenna ports share Doppler shift and average delay. In QCL Type D, antenna ports share spatial receiver parameters.

[0039] The base station 108 may provide transmission configuration indicator (TCI) state information to the UE 104 to indicate QCL relationships between antenna ports used for reference signals (for example, synchronization signal / PBCH or CSI-RS) and downlink data or control signaling (for example, PDSCH or PDCCH) . The base station 108 may use a combination of RRC signaling, MAC control element signaling, and DCI, to inform the UE 104 of these QCL relationships.

[0040] The UE 104 may transmit data and control information to the base station 108 using physical uplink channels. Different types of physical uplink channels are possible, including a physical uplink control channel (PUCCH) and a physical uplink shared channel (PUSCH) . Whereas the PUCCH carries control information from the UE 104 to the base station 108, such as uplink control information (UCI) , the PUSCH carries data traffic (e.g., end-user application data) and can carry UCI.

[0041] In an example, communications with the base station 108 and / or the base station can use channels in the frequency range 1 (FR1) band and / or frequency range 2 (FR2) band, although other frequency ranges are possible. The FR1 band includes a licensed band and an unlicensed band. The NR unlicensed band (NR-U) includes a frequency spectrum that is shared with other types of radio access technologies (RATs) (e.g., LTE-LAA, WiFi, etc. ) . A listen-before-talk (LBT) procedure can be used to avoid or minimize collision between the different RATs in the NR-U, whereby a device applies a clear channel assessment (CCA) check before using the channel.

[0042] The UE 104 can be located within a network coverage. In particular, the base station 108 may provide the network coverage with signaling (e.g., which may be carried by one or more beams) . The network coverage may represent a cell or a portion of the cell that the base station 108 provides. The network coverage may provide network connections to multiple UEs, similar to the UE 104. These UEs may communicate with the base station 108 on both the uplink and the downlink based on channels available to them when the UEs are in the network coverage.

[0043] In an example, the UE 104 supports carrier aggregation (CA) , whereby the UE 104 can connect and exchange data simultaneously over multiple component carriers (CCs) with the base station 108. The CCs can belong to the same frequency band, in which case they are referred to as intra-band CCs. Intra-band CCs can be contiguous or non-contiguous. The CCs can also belong to different frequency bands, in which case they are referred to as inter-band CCs. A serving cell can be configured for the UE 104 to use a CC. A serving cell can be a primary (PCell) , a primary secondary cell (PSCell) , or a secondary cell (SCell) . Multiple SCells can be activated via an SCell activation procedures where the component carriers of these serving cells can be intra-band contiguous, intra-band non-contiguous, or inter-band. The serving cells can be collocated or non-collocated.

[0044] The UE 104 can also support dual connectivity (DC) , where it can simultaneously transmit and receive data on multiple CCs from two serving nodes or cell groups (amaster node (MN) and a secondary node (SN) ) . DC capability can be used with two serving nodes operating in the same RAT or in different RATs (e.g., an MN operating in NR, while an SN operates in LTE) . These different DC modes include, for instance, evolved-universal terrestrial radio access-new radio (EN) -DC, NR-DC, and NE-DC (the MN is a NR gNB and the SN is an LTE eNB) .

[0045] As further described in the next figures, the base station can send a CSI-RS 110 (or a CSI-RS resource set) to the UE 104 in a downlink channel. Based on detection and measurements of the CSI-RS 110, the UE 104 can generate a CSI report. In an example, the UE 104 can implement an AI model (e.g., an encoder, or CSI generation model) trained for CSI compressions (shown in FIG. 1 as UE-side AI model for CSI compression 112) . Based on the detection and measurements, the UE side AI model can generate a CSI compression which represents a compressed version of a legacy CSI report and / or predicted CSI for different beams and / or channels. The UE 104 can send the CSI compression as CSI feedback 120 (e.g., a compressed CSI report) to the base station 108. In turn, the base station 108 can implement an AI model (e.g., a decoder, also called CSI reconstruction model) trained for CSI decompressions (shown in FIG. 1 as network-side AI model for CSI decompression 114) . Based on the CSI feedback 120, the network side AI model can generate decompressed CSI resulting in output CSI. Based on this output CSI, the base station 108 may schedule data transmission (e.g., in the downlink direction) .

[0046] For CSI compression, an AI model can be trained according to various frameworks. Framework examples include type-1 (joint training of the two-sided AI model at a single entity, e.g., a UE or a network) , type-2 (joint training of the two-sided AI model at a UE and a network) , and type-3 (separate training at a network and a UE with the UE generating a CSI report and the network performing CSI reconstruction) .

[0047] Generally, a legacy CSI report describes a state of a channel. The CSI report may include several parameters, such as a channel quality indicator (CQI) , a precoding matrix indicator (PMI) with different codebook sets, and a rank indicator (RI) . The CSI compression can indicate such information about the channel.

[0048] As further described herein below, the UE 104 and / or the base station 108 can monitor the performance of the relevant AI model used for generating the CSI compression  and / or for generating the decompressed CSI. Further, the UE 104 and / or the base station 108 can detect a degradation of the AI model performance. If so, the UE 104 and / or the base station 108 cand detect a cause for this performance degradation (e.g., shown in FIG. 1 as cause of AI model performance degradation 130) . If detected on the UE side, the UE 104 can send information about the cause to the base station 108 (or more generally the network) . Conversely, if detected on the network side, the network side (or more specifically the base station 108) can send information about the cause to the UE 104. In both cases, the information can indicate the cause (e.g., whether it is a UE side cause, a network side cause, or a data drift cause) . The information can also indicate or trigger a change to using the relevant AI model.

[0049] Although a single UE side AI model and a single network side AI model are described for illustrative purposes, each of the UE 104 and / or the base station 108 (or the network in generally) can implement multiple AI models. Each AI model can be a machine learning model having a particular architecture (e.g., a neural network with particular number of layers, nodes, and weights) , trained for a particular set of tasks (e.g., CSI compression and / or CSI decompression) , has a model identifier (AI) , and associated with a set of properties related to the UE 104, the base station 108, and / or network conditions. In such situations, the UE 104 and / or the base stations 108 can use particular AI model (s) for the CSI compression and decompression and can switch to using other AI model (s) based on the cause of AI model performance degradation 130.

[0050] Generally, network side monitoring of AI model performance is possible. The network side monitoring can be based on target CSI reported by the UE 104 via, for example, legacy eT2 codebook or eT2-like high-resolution codebook. The target CSI may not be generated by an AI model of the UE 104. Instead, the target CSI can be generated from measurements of a CSI-RS resource set configured by the base station for the performance monitoring of the AI model. Additionally, or alternatively, the network side monitoring can be based on SRS-based monitoring.

[0051] UE side monitoring of AI model performance is also possible (and may involve less overhead but can need more latency and complexity while being less accurate compared to the network side monitoring) . the UE-side monitoring can be based on the output of the CSI reconstruction model at the UE 104. The CSI reconstruction model at the UE-side can be the same as the actual CSI reconstruction model used at the network-side, a reference model  provided by the network, or a proxy model developed by the UE side. The UE side monitoring can be performed via direct estimation of intermediate key performance indicators (KPIs) (e.g., squared generalized cosine similarity (SGCS) measurements) without reconstructing target CSI, via estimation of monitoring output other than an intermediate KPI without reconstructing target CSI, based on a pre-coded reference signal (e.g., CSI-RS, DMRS) transmitted from the network based on the output of the CSI reconstruction model, or based on the output of the CSI reconstruction model indicated by the network via legacy eT2 codebook or eT2-like high-resolution codebook.

[0052] The monitoring accuracy can also include generalization considerations, if applicable. The related complexity can also include life cycle management (LCM) complexity, if applicable. The monitoring overhead, latency, complexity, and accuracy analysis may have to consider using more than one CSI feedback occasions. The UE reported metrics may be used for testability. Further, the above monitoring approaches or combination of them may be used to help identifying the cause (e.g., network side, UE side, data drift) of the performance degradation

[0053] FIG. 2 illustrates examples of operations for AI model-based channel state information CSI compression and performance degradation cause detection in accordance with some embodiments. In particular, two examples are illustrated: joint operations 200 and separate operations 250. The joint operations 200 correspond to cause detection of AI model performance degradation being performed together with AI model performance monitoring (e.g., the root cause runs simultaneously during a performance monitoring procedure) . The separate operations 250 correspond to cause detection of AI model performance degradation being performed when AI model performance monitoring detects degradation (e.g., the root cause is triggered by a performance monitoring procedure) .

[0054] In an example, the joint operations 200 can involve a first set of operations (shown as AI model performance monitoring 202) and a second set of operations (shown as performance degradation cause detection 204) . These two sets of operations can per performed simultaneously (e.g., in parallel or sequentially, whereby the output of AI model performance monitoring 202 need not trigger performance degradation cause detection 204 and, instead, the performance degradation cause detection 204 can be performed in conjunction with AI model performance monitoring 202) . The joint operations 200 can be implemented for network side performance monitoring based on target CSI reported by the  UE via legacy eT2 codebook or eT2-like high-resolution codebook. Additionally, or alternatively, the joint operations 200 can be implemented for UE side performance monitoring based on the output of a CSI reconstruction model indicated by the network via legacy eT2 codebook or eT2-like high-resolution codebook.

[0055] In an example, the separate operations 250 can involve a first set of operations (shown as AI model performance monitoring 252) , a second set of operations (shown as a trigger 254) , and a third set of operations (shown as performance degradation cause detection 256) . These operational steps can be performed sequentially and can depend on each other. For instance, the AI model performance monitoring 252 can indicate a performance degradation. If this performance degradation meets certain conditions (e.g., a related performance measurement metric is smaller than a predefined threshold) , a trigger event can be declared as part of the trigger operations. The trigger event can cause performing the degradation cause detection 256. The separate operations 250 can be implemented for UE side AI model performance monitoring with the following options. A first option includes direct estimation of intermediate KPI (e.g., SGCS) without reconstructing target CSI. A second option includes estimation of monitoring output other than intermediate KPI without reconstructing target CSI. A third option includes using a pre-coded reference signal (e.g., CSI-RS, DMRS) transmitted from the network based on the output of a CSI reconstruction model. When the UE side detects performance degradation, further detection of the root cause can be done at the network side, via target CSI and CSI compression, referred to also as CSI feedback (latent dimension) or at the UE side.

[0056] FIG. 3 illustrates an example 300 of network-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. Here, a base station 308 (similar to the base station 108 of FIG. 1) can implement an AI model performance monitor 310 and a performance degradation cause detector 320. The AI model performance monitor 310 is configured to monitor the performance of an AI model 302 used by a UE 304 (similar to the UE 104 of FIG. 1) . The AI model 302 can be trained to generate CSI compressions and can be implemented as a machine learning model encoder. In comparison, the performance degradation cause detector 320 can be configured to detect a cause of a degradation of the performance. Generally, operations of the AI model performance monitor 310 and of the performance degradation cause detector 320 can be jointly executed (e.g., can correspond to the joint operations 200 of FIG. 2) . Upon detection of the cause, the base station 308 can send information about the  cause (shown as cause information 330) to the UE 304. This information can identify the cause and / or can trigger the UE 304 to stop using the AI model 302, collect training data for further training of the AI model 302, and / or switch to using another AI model trained for CSI compressions.

[0057] FIG. 4 illustrates an example 400 of network-side AI model performance monitoring and UE-side performance degradation cause detection in accordance with some embodiments. Here, a base station 408 (similar to the base station 108 of FIG. 1) can implement an AI model performance monitor 410. Further, a UE 404 (similar to the UE 104 of FIG. 1) can implement a performance degradation cause detector 420 and an AI model 402 trained for CSI compressions (e.g., implemented a machine learning model encoder) . The AI model performance monitor 410 is configured to monitor the performance of the AI model 402. In comparison, the performance degradation cause detector 420 can be configured to detect a cause of a degradation of the performance. Generally, operations of the AI model performance monitor 410 and of the performance degradation cause detector 420 can be separately executed (e.g., can correspond to the separate operations 250 of FIG. 2) . Upon detection of the cause, the UE 304 can send information about the cause (shown as cause information 430) to the base station 308. This information 430 can identify the cause and / or can trigger the base station 408 to stop using a corresponding AI model (e.g., a machine learning model decoder trained for CSI decompressions) , collect training data for further training of the corresponding AI model, and / or switch to using another AI model trained for CSI decompressions.

[0058] FIG. 5 illustrates an example 500 of UE-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. Here, a UE 504 (similar to the UE 104 of FIG. 1) can implement an AI model 502 trained for CSI compressions (e.g., a machine learning model encoder) , an AI model performance monitor 510, and a performance degradation cause detector 520. The AI model performance monitor 510 is configured to monitor the performance of the AI model 502. In comparison, the performance degradation cause detector 520 can be configured to detect a cause of a degradation of the performance. Generally, operations of the AI model performance monitor 510 and of the performance degradation cause detector 520 can be jointly executed (e.g., can correspond to the joint operations 200 of FIG. 2) or separately executed (e.g., can correspond to the separate operations 250 of FIG. 2) . Upon detection of the cause, the UE 504 can send information about the cause (shown as cause information 530) to the base station 508. This  information 530 can identify the cause and / or can trigger the base station 508 to stop using a corresponding AI model (e.g., a machine learning model decoder trained for CSI decompressions) , collect training data for further training of the corresponding AI model, and / or switch to using another AI model trained for CSI decompressions.

[0059] FIG. 6 illustrates an example 600 of UE-side AI model performance monitoring and network-side performance degradation cause detection in accordance with some embodiments. Here, a UE 604 (similar to the UE 104 of FIG. 1) can implement an AI model 602 trained for CSI compressions (e.g., a machine learning model encoder) and an AI model performance monitor 610. A base station 608 (similar to the base station 108 of FIG. 1) can implement a performance degradation cause detector 620. The AI model performance monitor 610 is configured to monitor the performance of the AI model 602. In comparison, the performance degradation cause detector 620 can be configured to detect a cause of a degradation of the performance. Generally, operations of the AI model performance monitor 610 and of the performance degradation cause detector 620 can be separately executed (e.g., can correspond to the separate operations 250 of FIG. 2) . Upon detection of the cause, the base station 608 can send information about the cause (shown as cause information 630) to the UE 604. This information can identify the cause and / or can trigger the UE 604 to stop using the AI model 602, collect training data for further training of the AI model 602, and / or switch to using another AI model trained for CSI compressions.

[0060] FIG. 7 illustrates an example of a sequence diagram 700 for network-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. The sequence diagram 700 can involve operations of a base station 708 (e.g., the base station 108 of FIG. 1) and operations of a UE 704 (e.g., the UE 104 of FIG. 1) . Like in FIGS. 2 and 3, the base station 708 can implement both an AI model performance monitor and a performance degradation cause detector for joint operations. The UE 704 can implement an AI model (e.g., a machine learning model encoder) for CSI compressions. In a two-sided model deployment case, the base station 708 can also implement a corresponding AI model (e.g., a machine learning model decoder) for CSI decompression.

[0061] In an example, in a first step of the sequence diagram 700, the base station 708 can send configuration information to the UE 704, where the configuration information can indicate a performance monitoring configuration. For instance, the configuration information can be sent via radio resource control (RRC) signaling and correspond to a CSI- ReportConfig. The CSI-ReportConfig can include a measurement CSI-RS resource set configuration for performance monitoring purpose. This configuration can indicate a measurement resource, such as a first CSI-RS resource set, usable for monitoring the performance of the AI model. This CSI-RS resource set can be the same or different from a second CSI-RS resource set configured for the UE 108 to generate an AI-model based CSI compression. The CSI-ReportConfig can also include a report configuration. This configuration can indicate a codebook configuration that can be used for ground truth reporting (e.g., a particular codebook configuration that the UE 704 needs to use to generate target CSI, where the target CSI is not an output of the AI model; e.g., the target CSI is generated using a legacy procedure based on measurements of the first CSI-RS resource set and the codebook configuration) . The measurement resource and / or the ground truth report can be configured to be periodic or semi-persistent.

[0062] In an example, in a second step of the sequence diagram 700, the base station 708 can send CSI-RSs to the UE 704. The CSI-RSs can include a CSI-RS corresponding to the CSI-ReportConfig. This CSI-RS can be used to generate the target CSI-RS. The same CSI-RS or a different CSI-RS (not configured for the performance monitoring purpose) can be used to generate an AI-model based CSI compression. In other words, the same CSI-RS resource set can be used for performance monitoring and inferencing, or one CSI-RS resource set can be used for performance monitoring and a different CSI-RS resource can be used for inferencing.

[0063] In an example, in a third step of the sequence diagram 700, the UE 704 can report various types of CSI to the base station 708. For instance, the UE 704 can send CSI feedback generated by the AI model (e.g., the CSI feedback includes an AI model-based CSI compression) . Additionally, or alternatively, the UE 704 can send CSI based on the CSI-RS resource set configured for performance monitoring purpose and based on the codebook configuration for a ground truth report. For instance, this CSI can include only the target CSI or can include the target CSI and a CSI report. This CSI report can be an encoder output (e.g., generated by the AI model or some other AI model) based on a quantization of the target CSI (e.g, based on quantized target CSI) . Particularly, in case the target CSI is quantized with a low accuracy codebook, the CSI report can be generated based on the encoder and the quantized target CSI.

[0064] In an example, in a fourth step of the sequence diagram 700, the base station 708 can perform performance monitoring and cause detection based on the reported CSI. Particularly, the base station 708 can monitor the performance of the AI model based on the target CSI and / or the corresponding output CSI to determine whether the performance is degrading or not. For instance, the base station 708 (e.g., the AI model performance detector thereof) can generate the output CSI based on the CSI feedback and then generate a similarity measurement between the output CSI and the target CSI. The similarity measurement can indicate how similar these two types of CSI are. The more similar they are, the less the percentage degradation is. In an illustrative use case, the similarity measurement corresponds to a squared generalized cosine similarity (SGCS) measurement. In this case, each of the output CSI and the target CSI can be an eigen vector. The SGCS measurement can be computed from the two eigen vectors. If the SGCS measurement is smaller than a predefined threshold, the base station 708 can determine that a performance degradation is detected. Otherwise, no performance degradation is detected.

[0065] As far as the cause detection, the cause detection can be performed separately from or in conjunction with the performance monitoring. For example, if the performance degradation is detected, the performance degradation triggers the cause detection. Alternatively, the cause detection can be performed independently of the performance degradation and its result (e.g., the cause) can be merged with the result of the performance monitoring (e.g., if the cause detection indicates a particular cause, and the performance monitoring indicated performance degradation, the particular cause can be declared as the likely cause of the performance degradation) .

[0066] Different techniques are possible to perform the cause detection. Any of the techniques and / or a combination of these techniques can be used. In one example technique, the base station 708 implements a reference encoder (that is trained for CSI compressions) , in addition to a decoder (that is trained for CSI decompressions and that would generate CSI from the CSI feedback received from the UE 704) . The target CSI can be input to the reference encoder that generates a reference CSI compression. The reference CSI compression is input to the decoder that, in response, generates reference output CSI. A similarity measurement between the target CSI and the reference output CSI can be generated. The cause is determined based on the similarity measurement. In an illustrative use case, the similarity measurement includes an SGCS measurement, where the target CSI and the reference output CSI are each an eigen vector. Based on the SGCS measurement (or  an average thereof as further described herein below) is smaller than a predefined threshold, there can be either network causes, or due to additional UE side condition. The additional UE side condition includes the cases where a new UE or a UE vendor joined the network, and the new dataset distribution does not match the dataset distribution used for training by the network, therefore causing failure. To further separate the causes, if during inter-vendor training collaboration, the network shared the decoder to the UE vendor, then it is UE vendor’s cause as UE should use its new dataset to train the encoder to match the decoder at network. If the network does not share the decoder, this is the case of data drift or dataset distribution mismatch. If the average SGCS measurement is higher than a threshold, the cause is likely a UE side cause or a data drift cause.

[0067] In another example technique, the base station 708 can use the reference encoder but not the decoder. In this example, the target CSI can be input to the reference encoder that, in response, outputs a reference CSI compression (e.g., reference CSI feedback) . A similarity measurement can be applied to the reference CSI feedback and the CSI feedback reported by the UE 704. The cause can be determined based on the similarity measurement. This method applies to the inter-vendor collaboration where the network shared the reference encoder to the UE, or the reference encoder dataset to the UE. In an illustrative use case, the similarity measurement here is a normalized mean square error (NMSE) measurement. The cause can be determined to be a UE side cause based on the NMSE measurement (or an average thereof as further described herein below) being larger than a predefined threshold.

[0068] In a further example technique, the cause can be determined to be a data drift cause based on data statistics of the target CSI versus the training data set. As discussed herein above, different training approaches (e.g., type-1, type-2, type-3) are possible. Regardless of the training approach, the base station 708 can store or have access to a data store storing the training dataset used to train the AI model of the UE 704. The target CSI can indicate various channel related information such as spatial correlation, delay spread, correlation between antennas, etc. As further described herein below, the target CSI can be monitored over time to generate the statistics (e.g., an average of as spatial correlation, delay spread, correlation between antennas, etc. ) . Similar statistics can be generated from the training data. The two sets of statistics can be compared. If the difference is larger than a predefined threshold, then the cause is likely a data drift.

[0069] In addition to the performance monitoring and the cause detection, the base station 708 can perform other CSI-related operations. For example, the base station 708 can process the CSI feedback via the decoder to determine output CSI and allocate resources to the UE 704 accordingly.

[0070] As illustrated in the sequence diagram 700, the second, third, and fourth steps can be repeated over time. One repetition is illustrated in FIG. 7 as a fifth step for CSI-RS transmission, sixth step for target CSI reporting and / or CSI feedback, and a seventh step for performance monitoring and cause detection. Repeating these steps enable metrics (e.g., SGCS, NMSE, and / or statistics) to be accumulated over time such that an average similarity measurement (or some other statistical measurement) can be generated and used for the cause detection.

[0071] In an example, in an eighth step of the sequence diagram 700, the base station 708 can change an AI functionality control at the UE 704 (including possibly LCM operations) . This control can be based on the performance monitoring (e.g., if the performance degrades, the control is performed) and / or on the cause detection (e.g., the control is specific to the detected cause) . For instance, the base station 708 can instruct the UE 704 to switch the AI model compressions from using the AI model to another AI model, to fall back to using a default AI model or a legacy CSI reporting procedure, and / or collect training data for further training the AI model, etc. Such instructions can be sent upon determining that the performance has degraded. If the inferencing is to be switched to another AI model, the base station 708 may have determined that the cause is a UE side cause (e.g., the current AI model is not performing sufficiently well) or a network side cause (e.g., although the current AI model is performing sufficiently well, the corresponding decoder of the base station 708 is not performing sufficiently well) . If additional training data is to be collected, the base station 708 may have determined that the cause is a data drift cause.

[0072] In an example, in a nineth step of the sequence diagram 700, the base station 708 can send cause information to the UE 704. The cause information can identify the cause. The cause information can also be combined with the control instructions.

[0073] FIG. 8 illustrates an example of a sequence diagram 800 for UE-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. Particular steps of the sequence diagram 800 are similar to equivalent ones of the sequence diagram 700. In the interest of brevity of explanation, the similarities  are not repeated herein. Instead, the description of the equivalent steps of the sequence diagram 700 apply to these steps of the sequence diagram 800.

[0074] The sequence diagram 800 can involve operations of a base station 808 (e.g., the base station 108 of FIG. 1) and operations of a UE 804 (e.g., the UE 104 of FIG. 1) . Like in FIGS. 2 and 5, the UE 804 can implement both an AI model performance monitor and a performance degradation cause detector for joint operations. The UE 804 can also implement an AI model (e.g., a machine learning model encoder) for CSI compressions. In a two-sided model deployment case, the base station 808 can also implement a corresponding AI model (e.g., a machine learning model decoder) for CSI decompression.

[0075] In an example, in a first step of the sequence diagram 800, the base station 808 can send configuration information to the UE 804, where the configuration information can indicate a performance monitoring configuration. This step is similar to the first step of the sequence diagram 700, except that the performance monitoring configuration can indicate that a configured CSI-RS resource set is also for cause detection (e.g., in addition to the performance monitoring) .

[0076] In an example, in a second step of the sequence diagram 800, the base station 808 can send CSI-RSs to the UE 804. This step is similar to the second step of the sequence diagram 700.

[0077] In an example, in a third step of the sequence diagram 800, the UE 804 can report CSI feedback to the base station 808. The CSI feedback can include CSI compression generated by the AI model based on one or more of the CSI-RSs.

[0078] In an example, in a fourth step of the sequence diagram 800, the base station 808 can send output CSI to the UE 804. For instance, the CSI feedback is input to a decoder of the base station 808 that, in response, generates the output CSI.

[0079] In an example, in a fifth step of the sequence diagram 800, the UE 804 can perform performance monitoring and cause detection. This step is similar to the fourth step of the sequence diagram 700, except that it is performed by the UE 804 and can be based on the output CSI. Particularly, for the performance monitoring, the UE 804 can generate a similarity measurement between the output CSI and target CSI. The similarity measurement can correspond to an SGCS measurement. If the SGCS measurement is smaller than a  predefined threshold, the UE 804 can determine that a performance degradation is detected. Otherwise, no performance degradation is detected.

[0080] As far as the cause detection, the cause detection can be performed separately from or in conjunction with the performance monitoring. Furthermore, different techniques are possible to perform the cause detection. Any of the techniques and / or a combination of these techniques can be used. In one example technique, the UE 804 implements a reference decoder (that is trained for CSI decompressions) , in addition to the encoder (that is trained for CSI compressions and that would generate CSI feedback) . The target CSI can be input to the encoder and the reference decoder that generates reference output CSI (e.g., decompressed CSI) . A similarity measurement between the target CSI and the reference output CSI can be generated. The cause is determined based on the similarity measurement. In an illustrative use case, the similarity measurement includes an SGCS measurement, where the target CSI and the reference output CSI are each an eigen vector. The cause can be determined to be a UE side cause based on the SGCS measurement (or an average thereof as further described herein below) being larger than a predefined threshold, when UE first training is used, or the network shared the reference decoder to the UE. Otherwise, the cause is likely a network side cause or a data drift cause. In another example technique, the output CSI may not be used. Instead, the CSI feedback is input to the reference decoder that outputs reference CSI. Similar to the previous technique, the reference CSI and the target CSI are compared to determine the cause. In a further example technique, the case can be determined to be a data drift cause based on data statistics of the target CSI versus the training data set, similar to the data drift cause detection described in the sequence diagram 700.

[0081] As illustrated in the sequence diagram 800, the second, third, fourth, and fifth steps can be repeated over time. One repetition is illustrated in FIG. 8 as a sixth step for CSI-RS transmission, seventh step for CSI feedback reporting, an eighth step for output CSI sending, and a nineth step for performance monitoring and cause detection. Repeating these steps enable metrics (e.g., SGCS, and / or statistics) to be accumulated over time such that an average similarity measurement (or some other statistical measurement) can be generated and used for the cause detection.

[0082] In an example, in a tenth step of the sequence diagram 800, the UE 804 can recommend the action for an AI functionality control to the base station 804 (including possibly LCM operations) . This control can be based on the performance monitoring (e.g., if  the performance degrades, the control is performed) and / or on the cause detection (e.g., the control is specific to the detected cause) . For instance, the UE 804 can indicate to the base station 808 that it is better to change AI compressions from the AI model to another one or to using other parameters of the AI model, or that the UE is collecting training data. This indication can cause the base station 808 to switch to using another AI model, using other parameters, or to collect training data and perform further training on the network side.

[0083] In an example, in an eleventh step of the sequence diagram 800, the UE 804 can send cause information to the base station 808. The cause information can identify the cause. The cause information can also be combined with the control indication. The cause detection reporting can be configured to be periodic, semi-persistent or event driven (e.g., upon the performance degradation being detected) .

[0084] FIG. 9 illustrates an example of a sequence diagram 900 for UE-side AI model performance monitoring and network-side performance degradation cause detection in accordance with some embodiments in accordance with some embodiments. Particular steps of the sequence diagram 900 are similar to equivalent ones of the sequence diagram 700. In the interest of brevity of explanation, the similarities are not repeated herein. Instead, the description of the equivalent steps of the sequence diagram 700 apply to these steps of the sequence diagram 900.

[0085] The sequence diagram 900 can involve operations of a base station 908 (e.g., the base station 108 of FIG. 1) and operations of a UE 904 (e.g., the UE 104 of FIG. 1) . Like in FIGS. 2 and 6, the UE 904 can implement an AI model performance monitor, whereas the base station 908 can implement a performance degradation cause detector for separate operations. The UE 904 can also implement an AI model (e.g., a machine learning model encoder) for CSI compressions. In a two-sided model deployment case, the base station 908 can also implement a corresponding AI model (e.g., a machine learning model decoder) for CSI decompression.

[0086] In an example, in a first step of the sequence diagram 900, the base station 908 can send configuration information to the UE 904, where the configuration information can indicate a performance monitoring configuration. This step is similar to the first step of the sequence diagram 700.

[0087] In an example, in a second step of the sequence diagram 900, the base station 908 can send CSI-RSs to the UE 904. This step is similar to the second step of the sequence diagram 700.

[0088] In an example, in a third step of the sequence diagram 900, the UE 904 can perform performance monitoring of its AI model. The performance monitoring can be via direct estimation of an intermediate KPI (e.g., SGCS) without reconstructing target CSI, via estimation of monitoring output other than intermediate KPI without reconstructing the target CSI, or based on a pre-coded reference signal (e.g., CSI-RS, DMRS) , where this reference signal is transmitted from the base station 908 based on the output of a CSI reconstruction model (e.g., a decoder of the base station 908) .

[0089] As illustrated in the sequence diagram 900, the second and third steps can be repeated over time (e.g., a particular time window) . One repetition is illustrated in FIG. 9 as a fourth step for CSI-RS transmission, and a fifth step for performance monitoring. Repeating these steps enable metrics (e.g., SGCS) to be accumulated over time such that average measurements (or some other statistical measurement such as a percentage) can be generated and represent an error of the AI model performance.

[0090] Based on the performance monitoring (e.g., a measurement of the performance, or a statistical measurement over the time window) , in a sixth step of the sequence diagram 900, the UE 904 can send an event trigger for cause detection to the base station 908. For instance, when the average or percentage error within the time window is detected and exceeds a predefined threshold, the UE 904 can indicate to the base station 908 that a performance degradation has occurred. The base station 908 can use this indication as a trigger to perform cause detection. Additionally, upon receiving the indication, the base station 908 (or more generally) can control AI functionalities (e.g., switch its and / or the UE’s 904 use of an AI model, change AI model parameters, start collecting additional training data, etc. ) and in parallel or subsequently start the cause detection.

[0091] In an example, the sequence diagram 900 includes additional steps that are performed before the cause detection is actually performed. As illustrated, these steps include a seventh step, where the base station 908 sends an RRC configuration for a ground truth report. This step can be similar to the first step of the sequence diagram 700. The additional steps can also include an eighth step, where the UE 904 can send a target CSI report and / or the CSI feedback corresponding the CSI-RSs received in the above steps. The target CSI  report can include multiple instances of target CSI and, thus, can have a large size file (e.g., because many instances may be generated for statistics) . Each target CSI instance can be buffered CSI in a past measurement.

[0092] To deal with the large file size, control plane (CP) signaling and / or user plane (UP) signaling can be used to send the target CSI report. As far as the CP signaling, an immediate minimization of diver tests (MDT) report with buffered data can be used. Legacy MDT with layer one (L1) measurement logging for AI / ML based beam management can be reused as baseline. RRC signaling can be used to configure an immediate MDT report configuration. In this configuration, the logged measurement quantity is L1 CSI (e.g. ground truth PMI, CSI feedback (e.g., PMI feedback / output of encoder) , CRI, RI, etc. ) . The configuration can include a logging configuration, which may be periodic logging with a fixed logging interval, or an event triggered logging (e.g. when performance degradation, such as when the KPI distortion exceeds a predefined threshold) . The configuration can also include the reporting configuration, which may be periodic reporting with a fixed reporting interval or network request reporting) . The UE 904 can send buffered target CSI back to base station 908 via uplink RRC messaging, either based on the reporting interval or based on a reception of a network request. To allow large amount of reporting, the uplink RRC message (s) can support uplink segmentation. Additionally, or alternatively, the CP signaling can correspond to layer three (L3) radio resource management (RRM) with buffered data. The legacy L3 RRM framework can be enhanced with logging of L1 CSI measurement, similar to the MDT enhancement. Similar measurement quantity configuration, logging configuration and reporting configuration in MDT can be introduced in a measurement configuration ( “MeasConfig” ) . One difference is that an operations, administration and maintenance (OAM) procedure can trigger an enhanced MDT, while here the base station 908 can trigger the enhanced L3 RRM. The UE 904 can send buffered target CSI back to the base station 908 via a MeasurementResults messaging. To allow large amount of reporting, MeasurementResults message (s) can support uplink segmentation

[0093] As far as UP signaling, this signaling van correspond to a reserved fifth generation quality of service identifier (5QI) , a reserved quality of service flow identifier (QFI) , a reserved data radio bearer (DRB) , or control signaling with the reserved 5QI or the reserved QFI. For instance, UP traffic with a reserved 5QI / QFI or over a reserved DRB can be used. Additionally, or alternatively, UP traffic which is established via specific control signaling with a reserved 5QI / QFI can be used. For UP signaling, both periodic reporting and network  request reporting can be supported. For network request reporting, the network request can be part of an internet protocol (IP) payload, in a new layer two (L2) control protocol data unit (PDU) with a special QFI / DRB, a following a media access control (MAC) control element (CE) . Compared with the CP signaling, the UP signaling can allow a larger amount of data reporting but may not support event triggered logging / reporting.

[0094] In an example, in a nineth step of the sequence diagram 900, the base station 908 can perform the cause detection. This step is similar to the cause detection of the seventh step of the sequence diagram 700.

[0095] In an example, in a tenth step of the sequence diagram 900, the base station 908 can send cause information to the UE 904. This step is similar to the nineth step of the sequence diagram 700. The base station 908 can also send control instructions to the UE 904, similarly to the eight step of the sequence diagram 700.

[0096] FIG. 10 illustrates an example of a sequence diagram 1000 for network-side AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. Particular steps of the sequence diagram 1000 are similar to equivalent ones of the sequence diagram 700. In the interest of brevity of explanation, the similarities are not repeated herein. Instead, the description of the equivalent steps of the sequence diagram 700 apply to these steps of the sequence diagram 1000.

[0097] The sequence diagram 1000 can involve operations of a base station 1008 (e.g., the base station 108 of FIG. 1) and operations of a UE 1004 (e.g., the UE 104 of FIG. 1) . Like in FIGS. 8 and 9, the UE 1004 can implement an AI model performance monitor and / or a performance degradation cause detector (their operations are not described herein, but the related steps from FIGS. 8 and 9 can equivalently apply here) . The base station 1008 can implement an AI model performance monitor and a performance degradation cause detector for joint or separate operations. Unlike the performance monitoring of FIG. 7, here the performance monitoring relies on sounding reference signal (SRS) processing. The UE 1004 can also implement an AI model (e.g., a machine learning model encoder) for CSI compressions. In a two-sided model deployment case, the base station 1008 can also implement a corresponding AI model (e.g., a machine learning model decoder) for CSI decompression.

[0098] In an example, in a first step of the sequence diagram 1000, the base station 1008 can send configuration information to the UE 1004. This step is similar to the first step of the  sequence diagram 700. Additionally, or alternatively, the performance monitoring configuration can indicate an SRS configuration to the UE 1004.

[0099] In an example, in a second step of the sequence diagram 1000, the UE 1004 can send SRSs to the base station 1008. An SRS can be transmitted in an uplink channel.

[0100] In an example, in a third step of the sequence diagram 1000, the base station 1008 can perform performance monitoring. Unlike the performance monitoring of the fourth step of the sequence diagram 700, here the performance monitoring is based on the SRS transmission. Particularly, the processing of SRSs by the base station 1008 can indicate channel statistics similar to the ones that target CSI can indicate, such as delay spread, spatial correlations, etc. Accordingly, the base station 1008 can run an end-to-end (E2E) inference using a reference encode and a decoder based on received SRS (s) . The output of the inference can be compared with a reference averaged SGCS that is available from the training phase. When significant degradation is observed (e.g., the comparison indicates a difference larger than a predefined threshold) , a data drift can be detected.

[0101] As illustrated in the sequence diagram 1000, the second and third steps can be repeated over time (e.g., a particular time window) . One repetition is illustrated in FIG. 10 as a fourth step for SRS transmission, and a fifth step for performance monitoring. Repeating these steps enable metrics (e.g., SGCS) to be accumulated over time such that average measurements (or some other statistical measurement such as a percentage) can be generated and represent an error of the AI model performance.

[0102] Based on the performance monitoring (e.g., a measurement of the performance, or a statistical measurement over the time window) , the base station 1008 can determine that a performance degradation sufficient to trigger the cause detection. For instance, when the average or percentage error within the time window is detected and exceeds a predefined threshold, the base station 1008 can determine that a performance degradation has occurred. Although it may be possible to trigger the cause detection to be performed by the UE 1004 if the UE 1004 implements a performance degradation detector, the sequence diagram 1000 is described herein in connection with this detection being performed by the base station 1008.

[0103] In a sixth step of the sequence diagram 1000, the base station 1008 sends an RRC configuration for a ground truth report. This step can be similar to the first step of the sequence diagram 700. In a seventh step of the sequence diagram 1000, the UE 1004 can send a target CSI report and / or the CSI feedback, similar to the third and six steps of the  sequence diagram 700. The target CSI report can include multiple instances of target CSI and, thus, can have a large size file (e.g., because many instances may be generated for statistics) . In this case, CP and / or UP signaling can be used.

[0104] In an example, in an eighth step of the sequence diagram 1000, the base station 1008 can perform the cause detection. This step is similar to the cause detection of the seventh step of the sequence diagram 700.

[0105] In an example, in a nineth step of the sequence diagram 1000, the base station 1008 can send cause information to the UE 1004. This step is similar to the nineth step of the sequence diagram 700. The base station 1008 can also send control instructions to the UE 1004, similarly to the eight step of the sequence diagram 700. Particularly, the base station 1008 (or more generally the network) can perform AI model / functionality level LCM operation including deactivation, switching, fall back etc., based on performance monitoring output. This AI control operation can be after root cause detection, or before a request of ground truth report is sent following a data drift detection. The cause can be UE encoder failure or a data drift.

[0106] FIG. 11 illustrates an example of an operational flow / algorithmic structure 1100 for AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. The operational flow / algorithmic structure 1100 can be implemented by a network (e.g., by a base station thereof and / or an apparatus of the base station, where the apparatus includes processing circuitry) . The network can be any of the networks described herein. In some embodiments, the operational flow / algorithmic structure 1100 may be implemented by executing instructions stored in a tangible, non-transitory, computer-readable storage medium, such as a memory of the base station. While the operational flow / algorithmic structure 1100 is described using steps in a specific sequence, it should be understood that the present disclosure contemplates that the described steps may be performed in different sequences than the sequence illustrated, and certain described steps may be omitted or not performed altogether.

[0107] In an example, the operational flow / algorithmic structure 1100 includes, at 1102, receiving, from a UE, CSI feedback corresponding to an AI model trained for channel state CSI compression. For instance, a first CSI-RS resource set can be sent to the UE, from which the UE generates an AI model-based CSI compression that the UE sends as the CSI feedback.

[0108] In an example, the operational flow / algorithmic structure 1100 includes, at 1104, receiving, from the UE, target CSI corresponding to a codebook configuration for ground truth CSI reporting. For instance, the base station can configure the UE for performance monitoring and, optionally, cause detection. A second CSI-RS resource set can be sent to the UE, where this second set can be the same or different from the first set. The UE can generate the target CSI by using a legacy CSI measurement procedure according to the codebook configuration. In other words, the target CSI is not generated by the AI model.

[0109] In an example, the operational flow / algorithmic structure 1100 includes, at 1106, determining, based on at least one of the CSI feedback or the target CSI, a cause of performance degradation of AI model. For instance, the cause can be performed in conjunction with or separate from performance monitoring as described herein above.

[0110] In an example, the operational flow / algorithmic structure 1100 includes, at 1108, sending information associated with the cause to the UE. For instance, the information can identify the cause and / or trigger a change to the AI model use.

[0111] FIG. 12 illustrates another example of an operational flow / algorithmic structure 1200 for AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. The operational flow / algorithmic structure 1200 can be implemented by a UE (e.g., performed by components thereof including, for example, an apparatus of the UE, where the apparatus includes processing circuitry) . The UE can be a multi-radio UE correspond to any of the UEs described herein. In some embodiments, the operational flow / algorithmic structure 1200 may be implemented by executing instructions stored in a tangible, non-transitory, computer-readable storage medium, such as a memory of the UE. While the operational flow / algorithmic structure 1200 is described using steps in a specific sequence, it should be understood that the present disclosure contemplates that the described steps may be performed in different sequences than the sequence illustrated, and certain described steps may be omitted or not performed altogether.

[0112] In an example, the operational flow / algorithmic structure 1200 includes, at 1202, performing, by using an AI model, a CSI compression based on a first CSI-RS resource set. For instance, the first CSI-RS resource set is received from a base station, and measurements thereon are performed. These measurements (e.g., reference signal received power (RSRP) measurements) can be input to the AI model that, in response, generates the CSI compression (e.g., CSI feedback) .

[0113] In an example, the operational flow / algorithmic structure 1200 includes, at 1204, generating target CSI based on a second CSI-RS resource set and a codebook configuration for ground truth CSI reporting, the second CSI-RS resource set being the same or different from the first CSI-RS resource set. For instance, the base station can configure the UE for performance monitoring and, optionally, cause detection. The UE can generate the target CSI by using a legacy CSI measurement procedure according to the codebook configuration. In other words, the target CSI is not generated by the AI model.

[0114] In an example, the operational flow / algorithmic structure 1200 includes, at 1206, determining, based on the target CSI, a cause of performance degradation associated of the AI model. For instance, the cause can be performed in conjunction with or separate from performance monitoring as described herein above.

[0115] In an example, the operational flow / algorithmic structure 1200 includes, at 1208, sending information associated with the cause to a network (e.g., that includes the base station) . For instance, the information can identify the cause and / or trigger a change to the AI model use.

[0116] FIG. 13 illustrates yet another example of an operational flow / algorithmic structure 1300 for AI model performance monitoring and performance degradation cause detection in accordance with some embodiments. The operational flow / algorithmic structure 1300 can be implemented by a UE (e.g., performed by components thereof including, for example, an apparatus of the UE, where the apparatus includes processing circuitry) . The UE can be a multi-radio UE correspond to any of the UEs described herein. In some embodiments, the operational flow / algorithmic structure 1300 may be implemented by executing instructions stored in a tangible, non-transitory, computer-readable storage medium, such as a memory of the UE. While the operational flow / algorithmic structure 1300 is described using steps in a specific sequence, it should be understood that the present disclosure contemplates that the described steps may be performed in different sequences than the sequence illustrated, and certain described steps may be omitted or not performed altogether.

[0117] In an example, the operational flow / algorithmic structure 1300 includes, at 1302, performing, by using an AI model, a CSI compression based on a first CSI reference signal (CSI-RS) resource set, the AI model trained to generate CSI compressions. For instance, the first CSI-RS resource set is received from a base station, and measurements thereon are  performed. These measurements (e.g., RSRP measurements) can be input to the AI model that, in response, generates the CSI compression (e.g., CSI feedback) .

[0118] In an example, the operational flow / algorithmic structure 1300 includes, at 1304, generating, based on a performance degradation of the AI model and by using a second CSI-RS resource set and a codebook configuration for ground truth CSI reporting, feedback information that includes at least one of target CSI or a CSI report, the second CSI-RS resource set being the same or different from the first CSI-RS resource set. For instance, the UE or the base station monitors a performance of the AI model. The UE performance monitoring can be based on output CSI received from the base station. The base station performance monitoring can be based on SRS transmission and / or CSI-RS transmissions. If the performance degrades, a trigger event is generated. This trigger event can trigger performing a cause detection procedure that includes generating the target CSI and / or the CSI report as described herein above.

[0119] In an example, the operational flow / algorithmic structure 1300 includes, at 1306, sending the feedback information to a network (e.g., that includes the base station) such that the network (e.g., the base station) determines a cause of the performing degradation based on the feedback information. The network cause detection can be similar to the techniques described herein above.

[0120] FIG. 14 illustrates receive components 1400 of a, such as any of the UE’s described herein above, in accordance with some embodiments. The receive components 1400 may include an antenna panel 1404 that includes a number of antenna elements. The panel 1404 is shown with four antenna elements, but other embodiments may include other numbers.

[0121] The antenna panel 1404 may be coupled to analog beamforming (BF) components that include a number of phase shifters 1408 (1) –1408 (4) . The phase shifters 1408 (1) –1408 (4) may be coupled with a radio-frequency (RF) chain 1412. The RF chain 1412 may amplify a receive analog RF signal, downconvert the RF signal to baseband, and convert the analog baseband signal to a digital baseband signal that may be provided to a baseband processor for further processing. In an example, receive components 1400 can include multiple antenna panels 1404 and / or multiple RF chains 1412. An MR can include an antenna panel 1404 and an RF chain 1412. An LP-WUR can include the same antenna panel 1404 or a different antenna panel and a different RF chain 1412.

[0122] In various embodiments, control circuitry, which may reside in a baseband processor, may provide BF weights (for example W1 –W4) , which may represent phase shift values, to the phase shifters 1408 (1) –1408 (4) to provide a receive beam at the antenna panel 1404. These BF weights may be determined based on the channel-based beamforming.

[0123] FIG. 15 illustrates a UE 1500, in accordance with some embodiments. The UE 1500 may be similar to and substantially interchangeable with any of the UEs described herein above. Particularly, the UE 1500 can support AI-model based CSI compression, AI model performance monitoring, and / or AI model performance degradation cause detection.

[0124] Similar to that described above with respect to UE 104, the UE 1500 may be any mobile or non-mobile computing device, such as mobile phones, computers, tablets, industrial wireless sensors (for example, microphones, carbon dioxide sensors, pressure sensors, humidity sensors, thermometers, motion sensors, accelerometers, laser scanners, fluid level sensors, inventory sensors, electric voltage / current meters, actuators, etc. ) , video surveillance / monitoring devices (for example, cameras, video cameras, etc. ) , wearable devices, or relaxed-IoT devices. In some embodiments, the UE may be a reduced capacity UE or NR-Light UE.

[0125] The UE 1500 may include processors 1504, RF interface circuitry 1508, memory / storage 1512, user interface 1516, sensors 1520, driver circuitry 1522, power management integrated circuit (PMIC) 1524, and battery 1528. The processors 1504, or portions thereof, can represent processing circuitry that can be coupled with an RF chain to form an MR or the LP-WUR. The components of the UE 1500 may be implemented as integrated circuits (ICs) , portions thereof, discrete electronic devices, or other modules, logic, hardware, software, firmware, or a combination thereof. The block diagram of FIG. 15 is intended to show a high-level view of some of the components of the UE 1500. However, some of the components shown may be omitted, additional components may be present, and different arrangements of the components shown may occur in other implementations.

[0126] The components of the UE 1500 may be coupled with various other components over one or more interconnects 1532, which may represent any type of interface, input / output, bus (local, system, or expansion) , transmission line, trace, optical connection, etc. that allows various circuit components (on common or different chips or chipsets) to interact with one another.

[0127] The processors 1504 may include processor circuitry, such as baseband processor circuitry (BB) 1504A, central processor unit circuitry (CPU) 1504B, and graphics processor unit circuitry (GPU) 1504C. The processors 1504 may include any type of circuitry or processor circuitry that executes or otherwise operates computer-executable instructions, such as program code, software modules, or functional processes from memory / storage 1512 to cause the UE 1500 to perform operations as described herein.

[0128] In some embodiments, the baseband processor circuitry 1504A may access a communication protocol stack 1536 in the memory / storage 1512 to communicate over a 3GPP compatible network. In general, the baseband processor circuitry 1504A may access the communication protocol stack to: perform user plane functions at a PHY layer, MAC layer, RLC layer, PDCP layer, SDAP layer, and PDU layer; and perform control plane functions at a PHY layer, MAC layer, RLC layer, PDCP layer, RRC layer, and a non-access stratum “NAS” layer. In some embodiments, the PHY layer operations may additionally / alternatively be performed by the components of the RF interface circuitry 1508.

[0129] The baseband processor circuitry 1504A may generate or process baseband signals or waveforms that carry information in 3GPP-compatible networks. In some embodiments, the waveforms for NR may be based on cyclic prefix OFDM (CP-OFDM) in the uplink or downlink, and discrete Fourier transform spread OFDM (DFT-S-OFDM) in the uplink.

[0130] The baseband processor circuitry 1504A may also access group information from memory / storage 1512 to determine search space groups in which a number of repetitions of a PDCCH may be transmitted.

[0131] The memory / storage 1512 may include any type of volatile or non-volatile memory that may be distributed throughout the UE 1500. In some embodiments, some of the memory / storage 1512 may be located on the processors 1504 themselves (for example, L1 and L2 cache) , while other memory / storage 1512 is external to the processors 1504 but accessible thereto via a memory interface. The memory / storage 1512 may include any suitable volatile or non-volatile memory, such as, but not limited to, dynamic random-access memory (DRAM) , static random-access memory (SRAM) , erasable programmable read-only memory (EPROM) , electrically erasable programmable read-only memory (EEPROM) , Flash memory, solid-state memory, or any other type of memory device technology.

[0132] The RF interface circuitry 1508 may include transceiver circuitry and a radio frequency front module (RFEM) that allows the UE 1500 to communicate with other devices  over a radio access network. The RF interface circuitry 1508 may include various elements arranged in transmit or receive paths. These elements may include, for example, switches, mixers, amplifiers, filters, synthesizer circuitry, control circuitry, etc.

[0133] In the receive path, the RFEM may receive a radiated signal from an air interface via an antenna 1550 and proceed to filter and amplify (with a low-noise amplifier) the signal. The signal may be provided to a receiver of the transceiver that down-converts the RF signal into a baseband signal that is provided to the baseband processor of the processors 1504.

[0134] In the transmit path, the transmitter of the transceiver up-converts the baseband signal received from the baseband processor and provides the RF signal to the RFEM. The RFEM may amplify the RF signal through a power amplifier prior to the signal being radiated across the air interface via the antenna 1550.

[0135] In various embodiments, the RF interface circuitry 1508 may be configured to transmit / receive signals in a manner compatible with NR access technologies.

[0136] The antenna 1550 may include a number of antenna elements that each convert electrical signals into radio waves to travel through the air and to convert received radio waves into electrical signals. The antenna elements may be arranged into one or more antenna panels. The antenna 1550 may have antenna panels that are omnidirectional, directional, or a combination thereof to enable beamforming and multiple input, multiple output communications. The antenna 1550 may include microstrip antennas, printed antennas fabricated on the surface of one or more printed circuit boards, patch antennas, phased array antennas, etc. The antenna 1550 may have one or more panels designed for specific frequency bands including bands in FR1 or FR2.

[0137] The user interface circuitry 1516 includes various input / output (I / O) devices designed to enable user interaction with the UE 1500. The user interface 1516 includes input device circuitry and output device circuitry. Input device circuitry includes any physical or virtual means for accepting an input including, inter alia, one or more physical or virtual buttons (for example, a reset button) , a physical keyboard, keypad, mouse, touchpad, touchscreen, microphones, scanner, headset, or the like. The output device circuitry includes any physical or virtual means for showing information or otherwise conveying information, such as sensor readings, actuator position (s) , or other like information. Output device circuitry may include any number or combinations of audio or visual display, including, inter alia, one or more simple visual outputs / indicators (for example, binary status indicators, such  as light emitting diodes (LEDs) and multi-character visual outputs, or more complex outputs, such as display devices or touchscreens (for example, liquid crystal displays (LCDs) , LED displays, quantum dot displays, projectors, etc. ) , with the output of characters, graphics, multimedia objects, and the like being generated or produced from the operation of the UE 1500.

[0138] The sensors 1520 may include devices, modules, or subsystems whose purpose is to detect events or changes in its environment and send the information (sensor data) about the detected events to some other device, module, subsystem, etc. Examples of such sensors include, inter alia, inertia measurement units comprising accelerometers; gyroscopes; or magnetometers; microelectromechanical systems or nanoelectromechanical systems comprising 3-axis accelerometers; 3-axis gyroscopes; or magnetometers; level sensors; flow sensors; temperature sensors (for example, thermistors) ; pressure sensors; barometric pressure sensors; gravimeters; altimeters; image capture devices (for example; cameras or lensless apertures) ; light detection and ranging sensors; proximity sensors (for example, infrared radiation detector and the like) ; depth sensors; ambient light sensors; ultrasonic transceivers; microphones or other like audio capture devices; etc.

[0139] The driver circuitry 1522 may include software and hardware elements that operate to control particular devices that are embedded in the UE 1500, attached to the UE 1500, or otherwise communicatively coupled with the UE 1500. The driver circuitry 1522 may include individual drivers allowing other components to interact with or control various input / output (I / O) devices that may be present within, or connected to, the UE 1500. For example, driver circuitry 1522 may include a display driver to control and allow access to a display device, a touchscreen driver to control and allow access to a touchscreen interface, sensor drivers to obtain sensor readings of sensor circuitry 1520 and control and allow access to sensor circuitry 1520, drivers to obtain actuator positions of electro-mechanic components or control and allow access to the electro-mechanic components, a camera driver to control and allow access to an embedded image capture device, audio drivers to control and allow access to one or more audio devices.

[0140] The PMIC 1524 may manage power provided to various components of the UE 1500. In particular, with respect to the processors 1504, the PMIC 1524 may control power-source selection, voltage scaling, battery charging, or DC-to-DC conversion.

[0141] In some embodiments, the PMIC 1524 may control, or otherwise be part of, various power saving mechanisms of the UE 1500. For example, if the platform UE is in an RRC_Connected state, where it is still connected to the RAN node as it expects to receive traffic shortly, then it may enter a state known as Discontinuous Reception Mode (DRX) after a period of inactivity. During this state, the UE 1500 may power down for brief intervals of time and thus save power. If there is no data traffic activity for an extended period of time, then the UE 1500 may transition off to an RRC_Idle state, where it disconnects from the network and does not perform operations, such as channel quality feedback, handover, etc. The UE 1500 goes into a very low power state and it performs paging where again it periodically wakes up to listen to the network and then powers down again. The UE 1500 may not receive data in this state; in order to receive data, it must transition back to RRC_Connected state. An additional power saving mode may allow a device to be unavailable to the network for periods longer than a paging interval (ranging from seconds to a few hours) . During this time, the device is totally unreachable to the network and may power down completely. Any data sent during this time incurs a large delay and it is assumed the delay is acceptable.

[0142] A battery 1528 may power the UE 1500, although in some examples the UE 1500 may be mounted deployed in a fixed location and may have a power supply coupled to an electrical grid. The battery 1528 may be a lithium-ion battery, a metal-air battery, such as a zinc-air battery, an aluminum-air battery, a lithium-air battery, and the like. In some implementations, such as in vehicle-based applications, the battery 1528 may be a typical lead-acid automotive battery.

[0143] FIG. 16 illustrates a gNB 1600, in accordance with some embodiments. The gNB 1600 may be similar to and substantially interchangeable with the gNB 148 of FIG. 1 and other base stations described herein above. Particularly, the gNB 1600 can support AI-model based CSI decompression, AI model performance monitoring, and / or AI model performance degradation cause detection.

[0144] The gNB 1600 may include processors 1604, RAN interface circuitry 1608, core network (CN) interface circuitry 1612, and memory / storage circuitry 1616.

[0145] The components of the gNB 1600 may be coupled with various other components over one or more interconnects 1628.

[0146] The processors 1604, RAN interface circuitry 1608, memory / storage circuitry 1616 (including communication protocol stack 1610) , antenna 1650, and interconnects 1628 may be similar to like-named elements shown and described with respect to FIG. 15.

[0147] The CN interface circuitry 1612 may provide connectivity to a core network, for example, a Fifth Generation Core network (5GC) using a 5GC-compatible network interface protocol, such as carrier Ethernet protocols, or some other suitable protocol. Network connectivity may be provided to / from the gNB 1600 via a fiber optic or wireless backhaul. The CN interface circuitry 1612 may include one or more dedicated processors or FPGAs to communicate using one or more of the aforementioned protocols. In some implementations, the CN interface circuitry 1612 may include multiple controllers to provide connectivity to other networks using the same or different protocols.

[0148] 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.

[0149] 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, or methods as set forth in the example section below. For example, the baseband circuitry 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 below. 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 below in the example section.

[0150] Examples

[0151] In the following sections, further exemplary embodiments are provided.

[0152] Example 1 includes a method comprising: receiving, from a user equipment (UE) , channel state information (CSI) feedback corresponding to an artificial intelligence (AI) model trained for CSI compression; receiving, from the UE, target CSI corresponding to a  codebook configuration for ground truth CSI reporting; determining, based on at least one of the CSI feedback or the target CSI, a cause of performance degradation of AI model; and sending information associated with the cause to the UE.

[0153] Example 2 includes a method comprising: performing, by using an artificial intelligence (AI) model, a channel state information (CSI) compression based on a first CSI reference signal (CSI-RS) resource set; generating target CSI based on a second CSI-RS resource set and a codebook configuration for ground truth CSI reporting, the second CSI-RS resource set being the same or different from the first CSI-RS resource set; determining, based on the target CSI, a cause of performance degradation associated of the AI model; and sending information associated with the cause to a network.

[0154] Example 3 includes a method comprising: performing, by using an artificial intelligence (AI) model, a channel state information (CSI) compression based on a first CSI reference signal (CSI-RS) resource set, the AI model trained to generate CSI compressions; generating, based on a performance degradation of the AI model and by using a second CSI-RS resource set and a codebook configuration for ground truth CSI reporting, feedback information that includes at least one of target CSI or a CSI report, the second CSI-RS resource set being the same or different from the first CSI-RS resource set; and sending the feedback information to a network such that the network determines a cause of the performing degradation based on the feedback information.

[0155] Example 4 includes the method of any example 1-3, wherein the cause includes at least one of a network-side cause, a UE-side cause, or a data drift cause, and wherein the cause is determined in conjunction with monitoring performance of the AI model.

[0156] Example 5 includes the method of any example 1-4, further comprising: sending, to the UE, or receiving, by the UE, configuration information indicating the codebook configuration and a CSI reference signal (CSI-RS) resource set configuration for performance monitoring.

[0157] Example 6 includes the method of example 5, further comprising: sending or receiving a first CSI-RS resource set for the performance monitoring, wherein the first CSI-RS resource set is the same or different from a second CSI-RS for generating an AI model-based CSI compression, and wherein the target CSI is generated based on the first CSI-RS resource set.

[0158] Example 7 includes the method of any example 1-4, further comprising: sending or receiving a CSI reference signal (CSI-RS) resource set for performance monitoring, wherein the target CSI is generated based on the CSI-RS resource set, and wherein no CSI report that corresponds to the CSI-RS resource set is received.

[0159] Example 8 includes the method of example 7, further comprising: sending a CSI reference signal (CSI-RS) resource set for performance monitoring, wherein the target CSI is generated based on the CSI-RS resource set; and receiving a CSI report that corresponds to a quantized target CSI and that is generated by an encoder of the AI model, wherein the encoder is trained for AI model-based CSI compressions.

[0160] Example 9 includes the method of any example 1-8, further comprising: inputting the target CSI to an encoder to generate a reference CSI compression; inputting, to a decoder trained to decompress AI model-based compressions, the reference CSI compression to generate a reference output CSI; and generating a similarity measurement between the target CSI and the reference output CSI, wherein the cause is determined based on the similarity measurement.

[0161] Example 10 includes the method of example 9, wherein the similarity measurement includes a squared generalized cosine similarity (SGCS) measurement, and wherein the cause is determined to be a network side cause based on an average of the SGCS measurement being smaller than a predefined threshold.

[0162] Example 11 includes the method of any example 1-10, further comprising: inputting the target CSI to an encoder to generate a reference CSI compression; and generating a similarity measurement between the CSI feedback and the reference CSI compression, wherein the cause is determined based on the similarity measurement.

[0163] Example 12 includes the method of example 11, wherein the similarity measurement includes a normalized mean square error (NMSE) measurement, and wherein the cause is determined to be a UE side cause based on an average of the NMSE measurement being larger than a predefined threshold.

[0164] Example 13 includes the method of any example 1-8, wherein the cause is determined to be a data drift cause based on a comparison of statistics of the target CSI over time with a training dataset.

[0165] Example 14 includes the method of any example 1-13, further comprising: inputting the target CSI to an encoder of the AI model to generate a reference CSI compression; inputting, to a decoder trained to decompress an AI model-based compression, the reference CSI compression to generate reference output CSI; and generating a similarity measurement between the target CSI and the reference output CSI, wherein the cause is determined based on the similarity measurement.

[0166] Example 15 includes the method of example 14, wherein the similarity measurement includes a squared generalized cosine similarity (SGCS) measurement, and wherein the cause is determined to be a user equipment (UE) side cause based on an average of the SGCS measurement being smaller than a predefined threshold.

[0167] Example 16 includes the method of any example 1-15, further comprising: inputting the CSI compression to a decoder to generate reference output CSI; and generating a similarity measurement between the target CSI and the reference output CSI, wherein the cause is determined based on the similarity measurement.

[0168] Example 17 includes the method of example 3, further comprising: monitoring the performance degradation of the AI model, wherein the feedback information is sent to the network by using control plane signaling.

[0169] Example 18 includes the method of example 17, wherein the control plane signaling corresponds to a minimization of diver tests (MDT) report with buffered data or a layer three (L3) radio resource management (RRM) with buffered data.

[0170] Example 19 includes the method of example 3 or 17-18 wherein the feedback information is sent to the network by using user plane signaling, wherein the user plane signaling corresponds to a reserved fifth generation quality of service identifier (5QI) , a reserved quality of service flow identifier (QFI) , a reserved data radio bearer (DRB) , or control signaling with the reserved 5QI or the reserved QFI.

[0171] Example 20 includes the method of any example 3 or 17-19, further comprising: receiving, from the network, a trigger to generate the feedback information, wherein the performance degradation is determined by the network based on sounding reference signal (SRS) monitoring.

[0172] Example 21 includes a user equipment (UE) or an apparatus comprising: one or more processors; and one or more memory storing instructions that, upon execution by the  one or more processors, configure the UE or the apparatus to perform a method described in or related to any of the preceding examples.

[0173] Example 22 includes one or more computer-readable media storing instructions that, when executed on a user equipment (UE) or an apparatus, cause the UE or the apparatus to perform operations comprising one or more elements of a method described in or related to any of the preceding examples.

[0174] Example 23 includes an apparatus comprising means to perform one or more elements of a method described in or related to any of the preceding examples.

[0175] Example 24 includes one or more non-transitory computer-readable media comprising instructions to cause an apparatus, upon execution of the instructions by one or more processors of the apparatus, to perform one or more elements of a method described in or related to any of the preceding examples.

[0176] Example 25 includes an apparatus comprising logic, modules, or processing circuitry configured to perform one or more elements of a method described in or related to any of the preceding examples.

[0177] Example 26 includes an apparatus, a network, a base station, or a system 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 a method described in or related to any of the preceding examples.

[0178] Any of the above-described examples may be combined with any other example (or combination of examples) , 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.

[0179] Although the embodiments above have been described in considerable detail, numerous variations and modifications will become apparent to those skilled in the art once the above disclosure is fully appreciated. It is intended that the following claims be interpreted to embrace all such variations and modifications.

Claims

1.A method comprising:receiving, from a user equipment (UE) , channel state information (CSI) feedback corresponding to an artificial intelligence (AI) model trained for CSI compression;receiving, from the UE, target CSI corresponding to a codebook configuration for ground truth CSI reporting;determining, based on at least one of the CSI feedback or the target CSI, a cause of performance degradation of AI model; andsending information associated with the cause to the UE.2.The method of claim 1, wherein the cause includes at least one of a network-side cause, a UE-side cause, or a data drift cause, and wherein the cause is determined in conjunction with monitoring performance of the AI model.3.The method of claim 1 or 2, further comprising:sending, to the UE, configuration information indicating the codebook configuration and a CSI reference signal (CSI-RS) resource set configuration for performance monitoring.4.The method of claim 3, further comprising:sending a first CSI-RS resource set for the performance monitoring, wherein the first CSI-RS resource set is the same or different from a second CSI-RS for generating an AI model-based CSI compression, and wherein the target CSI is generated based on the first CSI-RS resource set.5.The method of claim 1 or 2, further comprising:sending a CSI reference signal (CSI-RS) resource set for performance monitoring, wherein the target CSI is generated based on the CSI-RS resource set, and wherein no CSI report that corresponds to the CSI-RS resource set is received.6.The method of claim 5, further comprising:sending a CSI reference signal (CSI-RS) resource set for performance monitoring, wherein the target CSI is generated based on the CSI-RS resource set; andreceiving a CSI report that corresponds to a quantized target CSI and that is generated by an encoder of the AI model, wherein the encoder is trained for AI model-based CSI compressions.7.The method of claim 1 or 2, further comprising:inputting the target CSI to an encoder to generate a reference CSI compression;inputting, to a decoder trained to decompress AI model-based compressions, the reference CSI compression to generate a reference output CSI; andgenerating a similarity measurement between the target CSI and the reference output CSI, wherein the cause is determined based on the similarity measurement.8.The method of claim 7, wherein the similarity measurement includes a squared generalized cosine similarity (SGCS) measurement, and wherein the cause is determined to be a network side cause based on an average of the SGCS measurement being smaller than a predefined threshold.9.The method of claim 1 or 2, further comprising:inputting the target CSI to an encoder to generate a reference CSI compression; andgenerating a similarity measurement between the CSI feedback and the reference CSI compression, wherein the cause is determined based on the similarity measurement.10.The method of claim 9, wherein the similarity measurement includes a normalized mean square error (NMSE) measurement, and wherein the cause is determined to be a UE side cause based on an average of the NMSE measurement being larger than a predefined threshold.11.The method of claim 1 or 2, wherein the cause is determined to be a data drift cause based on a comparison of statistics of the target CSI over time with a training dataset.12.An apparatus comprising:processing circuitry configured to:perform, by using an artificial intelligence (AI) model, a channel state information (CSI) compression based on a first CSI reference signal (CSI-RS) resource set;generate target CSI based on a second CSI-RS resource set and a codebook configuration for ground truth CSI reporting, the second CSI-RS resource set being the same or different from the first CSI-RS resource set;determine, based on the target CSI, a cause of performance degradation associated of the AI model; andsend information associated with the cause to a network.13.The apparatus of claim 12, wherein the processing circuitry is further configured to:input the target CSI to an encoder of the AI model to generate a reference CSI compression;input, to a decoder trained to decompress an AI model-based compression, the reference CSI compression to generate reference output CSI; andgenerate a similarity measurement between the target CSI and the reference output CSI, wherein the cause is determined based on the similarity measurement.14.The apparatus of claim 13, wherein the similarity measurement includes a squared generalized cosine similarity (SGCS) measurement, and wherein the cause is determined to be a user equipment (UE) side cause based on an average of the SGCS measurement being smaller than a predefined threshold.15.The apparatus of claim 12 or 13, wherein the processing circuitry is further configured to:input the CSI compression to a decoder to generate reference output CSI; andgenerate a similarity measurement between the target CSI and the reference output CSI, wherein the cause is determined based on the similarity measurement.16.A method comprising:performing, by using an artificial intelligence (AI) model, a channel state information (CSI) compression based on a first CSI reference signal (CSI-RS) resource set, the AI model trained to generate CSI compressions;generating, based on a performance degradation of the AI model and by using a second CSI-RS resource set and a codebook configuration for ground truth CSI reporting, feedback information that includes at least one of target CSI or a CSI report, the second CSI-RS resource set being the same or different from the first CSI-RS resource set; andsending the feedback information to a network such that the network determines a cause of the performing degradation based on the feedback information.17.The method of claim 16, further comprising:monitoring the performance degradation of the AI model, wherein the feedback information is sent to the network by using control plane signaling.18.The method of claim 17, wherein the control plane signaling corresponds to a minimization of diver tests (MDT) report with buffered data or a layer three (L3) radio resource management (RRM) with buffered data.19.The method of claim 16 or 17, wherein the feedback information is sent to the network by using user plane signaling, wherein the user plane signaling corresponds to a reserved fifth generation quality of service identifier (5QI) , a reserved quality of service flow identifier (QFI) , a reserved data radio bearer (DRB) , or control signaling with the reserved 5QI or the reserved QFI.20.The method of claim 16 or 17, further comprising:receiving, from the network, a trigger to generate the feedback information, wherein the performance degradation is determined by the network based on sounding reference signal (SRS) monitoring.

Images