Devices and methods formodel training

Abstract

Embodiments of the present disclosure provide a solution for determining whether to perform or skip model training. In a solution, a first terminal device transmits at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and receives, from the network device, training information at least indicating whether to perform training of an AI / ML model entity.

Description

DEVICES AND METHODS FORMODEL TRAINING

[0001] FIELDS

[0002] Example embodiments of the present disclosure generally relate to the field of communication techniques and in particular, to devices and methods formodel training.BACKGROUND

[0003] With developments of artificial intelligence (AI)  / machine learning (ML) within the fifth generation (5G) and emerging sixth generation (6G) new radio (NR) air interface, a new frontier in resource savingand efficiency is being explored. In the current release, it is assumed that each AI / ML enabled user equipment (UE) will perform the complete LCM procedure respectively.SUMMARY

[0004] In a first aspect, there is provided afirst terminal device. The first terminal device comprises: a processor configured to cause the first terminal device to: transmit at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and receive, from the network device, training information at least indicating whether to perform training of an AI / ML model entity.

[0005] In a second aspect, there is provided asecond terminal device. The second terminal device comprises: a processor configured to cause the second terminal device to: receive, from a network device, a third configuration information for sharing a trained AI / ML model entity with a group of terminal devices; and groupcast the trained AI / ML model entity based on the third configuration.

[0006] In a third aspect, there is provided anetwork device. The network device comprises: a processor configured to cause the network device to: receive, from a first terminal device, at least one of capability information or condition information, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first  terminal device associated with AI / ML model entity training; and transmit, to the first terminal device, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information.

[0007] In a fourth aspect, there is provided a communication method performed by afirst terminal device. The method comprises: transmitting at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and receiving, from the network device, training information at least indicating whether to perform training of an AI / ML model entity.

[0008] In a fifth aspect, there is provided a communication method performed by asecond terminal device. The method comprises: receiving, from a network device, a third configuration information for sharing a trained AI / ML model entity with a group of terminal devices; and groupcasting the trained AI / ML model entity based on the third configuration.

[0009] In a sixth aspect, there is provided a communication method performed by anetwork device. The method comprises: receiving, from a first terminal device, at least one of capability information or condition information, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and transmitting, to the first terminal device, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information.

[0010] In aseventh aspect, there is provided a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to carry out the method according to the fourth, fifth, or sixth aspect.

[0011] Other features of the present disclosure will become easily comprehensible through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0012] Through the more detailed description of some example embodiments of the present disclosure in the accompanying drawings, the above and other objects, features and advantages of the present disclosure will become more apparent, wherein:

[0013] FIG. 1 illustrates an example diagram of different options of relationship between model identities (IDs) and associated IDs;

[0014] FIG. 2 illustrates an example communication environment in which example embodiments of the present disclosure can be implemented;

[0015] FIG. 3 illustrates a signaling flow of communication in accordance with some embodiments of the present disclosure;

[0016] FIG. 4 illustrates a flowchart of a method implemented at a firstterminal device according to some example embodiments of the present disclosure;

[0017] FIG. 5illustrates a flowchart of a method implemented at a secondterminal device according to some example embodiments of the present disclosure;

[0018] FIG. 6illustrates a flowchart of a method implemented at a network device according to some example embodiments of the present disclosure;

[0019] FIG. 7 illustrates a simplified block diagram of an apparatus that is suitable for implementing example embodiments of the present disclosure.

[0020] Throughout the drawings, the same or similar reference numerals represent the same or similar element.DETAILED DESCRIPTION

[0021] Principle of the present disclosure will now be described with reference to some example embodiments. It is to be understood that these embodiments are described only for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitation as to the scope of the disclosure. Embodiments described herein can be implemented in various manners other than the ones described below.

[0022] In the following description and claims, unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of  ordinary skills in the art to which this disclosure belongs.

[0023] As used herein, the term ‘terminal device’ refers to any device having wireless or wired communication capabilities. Examples of the terminal device include, but not limited to, UE, personal computers, desktops, mobile phones, cellular phones, smart phones, personal digital assistants (PDAs) , portable computers, tablets, wearable devices, internet of things (IoT) devices, Ultra-reliable and Low Latency Communications (URLLC) devices, Internet of Everything (IoE) devices, machine type communication (MTC) devices, devices on vehicle for V2X communication where X means pedestrian, vehicle, or infrastructure / network, devices for Integrated Access and Backhaul (IAB) , Space borne vehicles or Air borne vehicles in Non-terrestrial networks (NTN) including Satellites and High Altitude Platforms (HAPs) encompassing Unmanned Aircraft Systems (UAS) , eXtended Reality (XR) devices including different types of realities such as Augmented Reality (AR) , Mixed Reality (MR) and Virtual Reality (VR) , the unmanned aerial vehicle (UAV) commonly known as a drone which is an aircraft without any human pilot, devices on high speed train (HST) , or image capture devices such as digital cameras, sensors, gaming devices, music storage and playback appliances, or Internet appliances enabling wireless or wired Internet access and browsing and the like. The ‘terminal device’ can further has ‘multicast / broadcast’ feature, to support public safety and mission critical, V2X applications, transparent IPv4 / IPv6 multicast delivery, IPTV, smart TV, radio services, software delivery over wireless, group communications and IoT applications. It may also incorporate one or multiple Subscriber Identity Module (SIM) as known as Multi-SIM. The term “terminal device” can be used interchangeably with a UE, a mobile station, a subscriber station, a mobile terminal, a user terminal or a wireless device.

[0024] The term “network device” refers to a device which is capable of providing or hosting a cell or coverage where terminal devices can communicate. Examples of a network device include, but not limited to, a Node B (NodeB or NB) , an evolved NodeB (eNodeB or eNB) , a next generation NodeB (gNB) , a transmission reception point (TRP) , a remote radio unit (RRU) , a radio head (RH) , a remote radio head (RRH) , an IAB node, a low power node such as a femto node, a pico node, a reconfigurable intelligent surface (RIS) , and the like.

[0025] The terminal device or the network device may have Artificial intelligence (AI) or Machine learning capability. It generally includes a model which has been trained from  numerous collected data for a specific function, and can be used to predict some information.

[0026] The terminal or the network device may work on several frequency ranges, e.g., FR1 (e.g., 450 MHz to 6000 MHz) , FR2 (e.g., 24.25GHz to 52.6GHz) , frequency band larger than 100 GHz as well as Tera Hertz (THz) . It can further work on licensed / unlicensed / shared spectrum. The terminal device may have more than one connection with the network devices under Multi-Radio Dual Connectivity (MR-DC) application scenario. The terminal device or the network device can work on full duplex, flexible duplex and cross division duplex modes.

[0027] The embodiments of the present disclosure may be performed in test equipment, e.g., signal generator, signal analyzer, spectrum analyzer, network analyzer, test terminal device, test network device, channel emulator. In some embodiments, the terminal device may be connected with a first network device and a second network device. One of the first network device and the second network device may be a master node and the other one may be a secondary node. The first network device and the second network device may use different radio access technologies (RATs) . In some embodiments, the first network device may be a first RAT device and the second network device may be a second RAT device. In some embodiments, the first RAT device is eNB and the second RAT device is gNB. Information related with different RATs may be transmitted to the terminal device from at least one of the first network device or the second network device. In some embodiments, first information may be transmitted to the terminal device from the first network device and second information may be transmitted to the terminal device from the second network device directly or via the first network device. In some embodiments, information related with configuration for the terminal device configured by the second network device may be transmitted from the second network device via the first network device. Information related with reconfiguration for the terminal device configured by the second network device may be transmitted to the terminal device from the second network device directly or via the first network device.

[0028] As used herein, the singular forms ‘a’ , ‘an’ and ‘the’ are intended to include the plural forms as well, unless the context clearly indicates otherwise. The term ‘includes’ and its variants are to be read as open terms that mean ‘includes, but is not limited to. ’ The term ‘based on’ is to be read as ‘at least in part based on. ’ The term ‘one  embodiment’ and ‘an embodiment’ are to be read as ‘at least one embodiment. ’ The term ‘another embodiment’ is to be read as ‘at least one other embodiment. ’ The terms ‘first, ’ ‘second, ’ and the like may refer to different or same objects. Other definitions, explicit and implicit, may be included below.

[0029] In some examples, values, procedures, or apparatus are referred to as ‘best, ’ ‘lowest, ’ ‘highest, ’ ‘minimum, ’ ‘maximum, ’ or the like. It will be appreciated that such descriptions are intended to indicate that a selection among many used functional alternatives can be made, and such selections need not be better, smaller, higher, or otherwise preferable to other selections.

[0030] As used herein, the term “resource, ” “transmission resource, ” “uplink resource, ” or “downlink resource” may refer to any resource for performing a communication, such as a resource in time domain, a resource in frequency domain, a resource in space domain, a resource in code domain, or any other resource enabling a communication, and the like. In the following, unless explicitly stated, a resource in both frequency domain and time domain will be used as an example of a transmission resource for describing some example embodiments of the present disclosure. It is noted that example embodiments of the present disclosure are equally applicable to other resources in other domains.

[0031] As used herein, the term “AI / ML model” may refer to a data driven algorithm that applies AI / ML techniques to generate a set of outputs based on a set of inputs. In the context of the present disclosure, the term “AI / ML model” may be interchangeably with the terms “model” , “AI model” and “ML model” .

[0032] As used herein, the term “AI / ML model entity” may refer to an AI / ML model or afunctionality enabled with an AI / ML model.

[0033] The term “UE-side (AI / ML) model” used herein may refer to an AI / ML Model of which inference is performed entirely at the UE. The term “network-side (AI / ML) model” used herein may refer to an AI / ML Model of which inference is performed entirely at the network. The term “one-sided (AI / ML) model” used herein may refer to a UE-side (AI / ML) model or a network-side (AI / ML) model. The term “two-sided (AI / ML) model” used herein may refer to a paired AI / ML Model (s) over which joint inference is performed, where joint inference comprises AI / ML Inference whose inference is performed jointly across the UE and the network, i.e., the first part of inference is firstly  performed by UE and then the remaining part is performed by gNB, or vice versa.

[0034] From the perspective of radio access network1 (RAN1) , for UE-sided model (s) developed (e.g., trained, updated) at UE side, thefollowing procedure is an example (noted as AI-Example1) of MI-Option1 for further study (including the feasibility / necessity) .

[0035] A: For data collection, thenetwork (NW) signals the data collection related configuration (s) and it / their associated ID (s) (theassociated IDs for each sub use case in relation with NW-sided additional conditions) .

[0036] B: The UE (s) collects the data corresponding to the associated ID (s) .

[0037] C: The AI / ML models are developed (e.g., trained, updated) at the UE side based on the collected data corresponding to the associated ID (s) .

[0038] D: The UE reports information of its AI / ML models corresponding to associated IDs to the NW. Model ID is determined / assigned for each AI / ML model.

[0039] Therelationship between model ID (s) and the associated ID (s) will be introduced later.

[0040] The model ID (s) may be determined / assignedby one approachof the following: NW assigns Model ID, UE assigns / reports Model ID, associated ID (s) is assumed as model ID (s) ( “model ID is determined / assigned for each AI / ML model” in D is not needed) , ormodel ID is determined by pre-defined rule (s) in the specification. It is noted that D is to facilitate AI / ML model inference.

[0041] It is noted thatstep A / B / C and additional interaction of associated IDs between UE and NW can be considered as a different solution for resolving the consistency without model identification.

[0042] The further studiesare needed for the consistency of NW-side additional condition across training and inference for UE-sided model for BM-Case 1 and BM Case 2, wherein the NW-side additional condition may at least impact UE assumption on beams of Set A / Set B. Possible options include:

[0043] Option1: Based on the associated ID

[0044] For further study (FFS) on what can be assumed by UE with the same associated ID across training and inference.

[0045] FFS on how associated ID is introduced, e.g., within CSI framework, or outside of CSI framework.

[0046] Option2: Performance monitoring based

[0047] FFS details

[0048] Other options are not precluded.

[0049] Regarding the associated ID for 3GPP Release 19 (Rel-19) , the UE assumes that NW-side additional conditions with the same associated ID are consistent at least within a cell. Whether / how UE assumption can be applicable for multiple cells (including the feasibility study) need further study.

[0050] From the perspective of RAN1, for UE part of two-sided model, the following example of MI-Option2 (including the feasibility / necessity) needs further study:

[0051] AI-Example2-1

[0052] A: A dataset is transferred from the NW / NW-side to UE / UE-side via standardized signaling.

[0053] It is noted that RAN1 study of Step A only focuses on RAN1 aspect of the dataset transfer from NW to UE. Other solution for dataset exchange is out of RAN1 scope.

[0054] B: UE part of two-sided model (s) is (are) developed based on at least the above dataset.

[0055] C: UE reports information of its UE part of two-sided model (s) corresponding to the above dataset to the NW.

[0056] FFS: How model ID is determined / assigned for each AI / ML model (including relationship between dataset and model ID) .

[0057] It is noted that some step (s) may not be needed for MI-Option2.

[0058] It is noted that the above example is based on the assumption of NW-first training.

[0059] It is separate discussion for the assumption of UE-first training.

[0060] It is noted thatthe study should consider the impact on inter-vendor collaboration, at least including complexity, performance, interoperability in RAN4 / testing related aspects and feasibility.

[0061] FFS: Whether / how to consider UE-side additional condition (s) for the dataset.

[0062] In RAN1 117discussions, regarding AI-Example1 of MI-Option1, the associated  ID at least can be local ID. Global cell identity (GCI) can be used together with the associated ID. Whether the associated ID can be global ID needs further study.

[0063] Regarding the relationship between model ID (s) and the associated ID (s) in AI-Example1 of MI-Option1, the following options (including the necessity / benefit) need further study. Examples of these options are shown in FIG. 1 to facilitate the understanding of each option.

[0064] ID-Rel-Option1: One model ID is linked to one associated ID by one-to-one mapping.

[0065] ID-Rel-Option2: One model ID may be linked to multiple associated IDs and each associated ID is only be linked to one model ID.

[0066] ID-Rel-Option3: One associated ID (s) may be linked to multiple model IDs and each model ID is only linked to one associated ID.

[0067] ID-Rel-Option4: Model ID (s) may be linked to associated ID (s) by many-to-many mapping.

[0068] Radio access network2 (RAN2) will support functionality activation / deactivation after inference configuration. Further studies may be continued with initial state of configuration and how activation / deactivation is achieved. Further studies may be continued withwhat deactivation refers to. Examples discussed includes: 1) fallback to legacy 2) switching, etc.

[0069] The UE will indicate the gNB / LMF whether the AI / ML functionality is available / applicable. For a functionality to be applicable at least there should at least one model available within it. Further studies may be continued with other details on what is applicability / non-applicability.

[0070] For NW-side additional conditions, RAN2 assumes that RRC signaling from gNB to UE can be designed for consistency between inference and training. RAN2 will wait for RAN1 input for further details. Further studies may be continued with if the same applies to positioning.

[0071] For BM use case, as a baseline the UE determines whether a functionality is applicable. Existing UAI framework is used at least for proactive reporting of applicable functionality. Further studies may be continued with Further studies may be continued with reactive.

[0072] In a solution, proceduresare as follows. At step 1, network sends UECapabilityEnqiry message to initiate the procedure to a UE reporting its AI / ML  supported functionalities. At step 2, UE sends UECapablityInformation message to network, containing supported functionalities at the UE side.

[0073] At step3, following configurations are provided from NW to UE:

[0074] 1) UE is allowed to do user assistance information (UAI) reporting via OtherConfig.

[0075] 2) Network may provide NW-side additional condition. Further studies on the RRC signaling and whether it is mandatory or optional.

[0076] 3) Further studies on configuration (e.g. inference configuration) of supported functionalities. Further studieson the content of configuration.

[0077] UE decides the applicable functionalities based on NW-side additional conditions (if provided) , UE-side additional conditions (internally known by UE) and model availability in device. Further studies may be continued with whether other configuration can considered by UE (e.g. inference configuration) . Further studies may be continued withhow the applicable functionality is decided if NW-side additional condition is not provided in step 3.

[0078] At step 4, UE reports applicable functionality in the following scenarios:

[0079] 1) Upon being configured to provide applicable functionality and upon change of applicable functionality via UAI

[0080] 2) As response to NW-side additional condition requesting applicable functionality reporting in step 3, Further studies may be continued with other network configuration (e.g. inference configuration) , FFS via UAI or RRCReconfigurationComplete, etc.

[0081] At step5, network configures inference configuration to UE after applicable functionality reporting, if inference configuration based on supported functionality is not provided in Step 3 (i.e. inference configuration is provided in Step 5) . If inference configuration based on supported functionality is provided in Step 3, it is up to network implementation whether to provide an updated configuration or not.

[0082] The applicable functionality may be activated by receiving its inference configuration when it is provided in Step 5. Further studies may be continued with the initial activation state. Further studies may be continued with on initial state of  applicable functionality if inference configuration of supported functionality is provided in Step 3. Further studies may be continued with additional L1 / L2 signaling for activation / deactivation. Further studies may be continued with if multiple applicable functionalities can be activated at the same time. Further studies may be continued with what is the granularity of functionality.

[0083] As discussed above, in the current release, it is assumed that each AI / ML enabled UE will perform the complete LCM procedure respectively. On one hand, it will consume quite a lot of resources for performing model / functionality training at both UE side and server side. On the other hand, mostly if the functionality / model has been trained well for one UE under specific condition (both network side additional condition and UE side additional condition) , the model does not need to be trained again for another UE. So, in this issue statement, it is important to determine whether the UE needs to perform model / functionality training.

[0084] Embodiments of the present disclosure provide a solution fordetermining whether to perform or skip model training. The first terminal device transmits at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training. The network device receives the at least one of capabilityinformation or condition information and then transmits, to the first terminal device, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information. The first terminal devicereceives the training information to get informed ofwhether to perform or skip model training.

[0085] In this way, model training is performed or skipped based on the capability information and / or the condition informationof the first terminal device. It may avoid unnecessary or repeated model training, thussaves the communication resources and improve the communication efficiency.

[0086] Principles and implementations of the present disclosure will be described in detail below with reference to the figures.

[0087] FIG. 2 illustrates a schematic diagram of an example communication environment 200 in which example embodiments of the present disclosure can be implemented. In the  communication environment 200, a plurality of communication devices, including a first terminal device 210, a network device 220, and a secondterminal device 230, can communicate with each other.

[0088] In the example of FIG. 2, the first terminal device 210 and the second terminal device 230 may be UEs, and the network device 220 may be a base station serving the UEs. The serving area of the network device 220 may be called a cell 202.

[0089] It is to be understood that the number of devices and their connections shown in FIG. 2 are only for the purpose of illustration without suggesting any limitation. The communication environment 200 may include any suitable number of devices configured to implementing example embodiments of the present disclosure. Although not shown, it would be appreciated that one or more additional devices may be located in the cell 202, and one or more additional cells may be deployed in the communication environment 200. It is noted that although illustrated as a network device, the network device 220 may be another device than a network device. Although illustrated as terminal devices, the first terminal device 210 and the second terminal device 230 may be other devices than terminal devices.

[0090] In the following, for the purpose of illustration, some example embodiments are described with the first terminal device 210 and the second terminal device 230 operating as UEs and the network device 220 operating as a base station. However, in some example embodiments, operations described in connection with a terminal device may be implemented at a network device or other device, and operations described in connection with a network device may be implemented at a terminal device or other device.

[0091] In some example embodiments, a link from the network device 220 to the first terminal device 210 or the second terminal device 230 is referred to as a downlink (DL) , while a link from the terminal device 210 or the second terminal device 230to the network device 220 is referred to as an uplink (UL) . In DL, the network device 220 is a transmitting (TX) device (or a transmitter) and the first terminal device 210 or the second terminal device 230 is a receiving (RX) device (or a receiver) . In UL, the first terminal device 210 or the second terminal device 230 is a TX device (or a transmitter) and the network device 220 is a RX device (or a receiver) . A link between the first terminal device 210 and the second terminal device 230 is referred to as a sidelink (SL) .

[0092] The communications in the communication environment 200 may conform to any suitable standards including, but not limited to, Global System for Mobile Communications (GSM) , Long Term Evolution (LTE) , LTE-Evolution, LTE-Advanced (LTE-A) , New Radio (NR) , Wideband Code Division Multiple Access (WCDMA) , Code Division Multiple Access (CDMA) , GSM EDGE Radio Access Network (GERAN) , Machine Type Communication (MTC) and the like. The embodiments of the present disclosure may be performed according to any generation communication protocols either currently known or to be developed in the future. Examples of the communication protocols include, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.75G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) communication protocols, 5.5G, 5G-Advanced networks, or the sixth generation (6G) networks.

[0093] In the communication environment 200, an AI / ML model can be applied to different scenarios to achieve better performances.

[0094] Reference is now made to FIG. 3, which illustrates a signaling flow 300 of communication in accordance with some embodiments of the present disclosure. For the purposes of discussion, the signaling flow 300 will be discussed with reference to FIG. 2, for example, by using the first terminal device 210, the second terminal device 230 and the network device 220.

[0095] In the following descriptions, while operations are depicted in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. In certain circumstances, multitasking and parallel processing may be advantageous. Likewise, while several specific implementation details are contained in the above discussions, these should not be construed as limitations on the scope of the present disclosure, but rather as descriptions of features that may be specific to particular embodiments. Certain features that are described in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment may also be implemented in multiple embodiments separately or in any suitable sub-combination.

[0096] It is to be understood that the operations at the first terminal device 210, the  second terminal device 230 and the network device 220 should be coordinated. In other words, the network device 220, the first terminal device 210 and the second terminal device 230 should have common understanding about configurations, parameters and so on. Such common understanding may be implemented by any suitable interactions between the network device 220, the first terminal device 210 and the second terminal device 230 or the network device 220, the first terminal device 210 and the second terminal device 230 all applying the same rule / policy. In the following, although some operations are described from a perspective of the first terminal device 210, it is to be understood that the corresponding operations should be performed by the network device 220 or the second terminal device 230. Although some operations are described from a perspective of the secondterminal device 230, it is to be understood that the corresponding operations should be performed by the network device 220 or the first terminal device 210. Similarly, although some operations are described from a perspective of the network device 220, it is to be understood that the corresponding operations should be performed by the first terminal device 210 or the second terminal device 230. Merely for brevity, some of the same or similar contents are omitted here.

[0097] In addition, in the following description, some interactions are performed among the first terminal device 210, the second terminal device 230 and the network device 220 (such as, exchanging configuration (s) and so on) . It is to be understood that the interactions may be implemented either in one singlesignaling / message / configuration or multiple signaling / messages / configurations, including system information, radio resource control (RRC) message, downlink control information (DCI) message, uplink control information (UCI) message, media access control (MAC) control element (CE) and so on. The present disclosure is not limited in this regard.

[0098] It is noted that configuration information discussed below may be transmitted in a single message or more than one message. The present disclosure is not limited in this regard.

[0099] As shown in FIG. 3, the first terminal device 210 transmits (310) at least one of capability information or condition information to the network device 220. The capability information indicatesa capability of the first terminal device 210 associated with AI / ML model entity training. The condition information indicatesa device condition of the first terminal device 210 associated with AI / ML model entity training. Since the first terminal device 210 itself cannot determine whether to skip  model / functionality training, it shall report relevant information to allow the network device 220 have the knowledge on whether to configure the first terminal device 210 with specific AI / ML model / functionality.

[0100] In some example embodiments, the first terminal device 210may transmit the capability information to the network device 220to report its capability of model training.

[0101] In some example embodiments, the capability information may comprise at least one of: an indication of whether the first terminal device is capable of the AI / ML model entity training, an indication of whether the first terminal device is capable of AI / ML model entity performance monitoring, oran indication of whether the first terminal device is capable of AI / ML model entity tuning.

[0102] In an example, to allow the network to have the knowledge on whether to configure with the UE with specific AI / ML functionality / model, theUE shall report its capability towards network. For example, the UE may report at least one piece of the following information: functionality / Model training capable indication, functionality / Model performance monitoring capable indication, or functionality / Model tuning capable indication.

[0103] Among all the indications above, the functionality / model training capable indication is the most direct indication indicating whether the first terminal device 210 is capable of model training.

[0104] In some example embodiments, the capability information may indicate the capability of the first terminal device 210 in terms of at least one of: individual AI / ML functionalities, individual AI / ML models, individual bandwidths, individual frequencies, orthe first terminal device. It is to be understood that the capability informationmay also be reportedvia any proper granularitybesides the listed ones. For example, the reporting mentioned above may be reported via at least one of the following granularities: per functionality, per bandwidth, per frequency, or per UE.

[0105] In some example embodiments, the capability information may further comprise a dataset size threshold of a training dataset available for the first terminal device to performing AI / ML model entity training. That is to say, thefunctionality / model training capable indication may be coupled with a dataset size threshold. In the case that the configured dataset for functionality / model training is smaller than the dataset size  threshold, the first terminal device 210 is capable for functionality / model training whilethe configured dataset for functionality / model training is larger than the dataset size threshold, the first terminal device 210 is not capable for functionality / model training. For example, the first terminal device 210 may be capable oftraining a model with seven billion pieces of data, but not capable of training the same model witha seventy billion dataset.

[0106] In an example, the capability information may indicateone or more dataset sizes, and an estimated training overhead caused by a training dataset of each dataset size of the one or more dataset sizes. An example is shown as below: data set size A -estimated functionality / model training time A; data set size B -estimated functionality / model training time B; data set size C -estimated functionality / model training time C.

[0107] Even though the first terminal device 210 is capable of training a modelwith alarge dataset size, it is not necessary to perform the training if it costsa long time (e.g., several days) .

[0108] Regardingmodel training, the firstterminal device 210may also consider its current conditionother than itstraining capability. Alternatively, or in addition, in some example embodiments, the first terminal device 210 may transmit the condition information to the network device 220 to report its current condition. For example, the first terminal device 210 may report its additional condition to the network device 220.

[0109] In some example embodiments, the condition information may comprise at least one of: information associated with a temperature of the first terminal device 210, information associated with memory consumption of the first terminal device 210, information associated with battery consumption of the first terminal device 210, information associated with a mobility speed of the first terminal device 210, orinformation associated with a mobility direction of the first terminal device 210. For example, the reporting may include at least one pieceof the following information: current temperature, current memory leftover, current battery leftover, current mobility speed, or current mobility direction.

[0110] In some example embodiments, the first terminal device 210 may transmit the condition information in response to a request from the network device 220. As shown in FIG. 3, the network device 220 may transmit (302) , to the first network device 210, a request for the device condition of the first terminal device 210 associated with AI / ML  model entity training. The first terminal device 210 may receive (304) the request and transmit the condition information to the network device 220.

[0111] In some example embodiments, the first terminal device 210 may transmit the condition information in a periodic way. As shown in FIG. 3, the network device 220 may transmit (306) , to the first terminal device 210, configuration information for periodic reporting of the device condition. The first terminal device 210 may receive (308) the configuration information and transmit the condition information to the network device 220 periodically based on the configuration.

[0112] In some example embodiments, the configuration information may indicate at least one of: a starting time for reporting the device condition, or a periodicity for reporting the device condition. For example, the starting time may be configured via at least one of time stamp, super frame number (SFN) or offset indication with the configuration time point. The periodicity may be configured via at least one of real time, slot number or frame number.

[0113] Continue with the signaling flow 300. The network device 220 receives (312) the at least one of capability information or condition information. The network device 220 may determine whether the first terminal device 210 perform training of an AI / ML model entity based on the capability information and / or the condition information. The network device 220transmits (314) , to the first terminal device 210, training information at least indicating whether to perform the training of the AI / ML model entity. The first terminal device 210 receives (316) the training information to get informed whether to perform training of the AI / ML model entity.

[0114] The network device 220 may determine whether the first terminal device 210 is suitable for model training currently based on the received condition information as well as the conditions required for model training.

[0115] In some example embodiments, the network device 220 may determine whether to enable the model / functionality training of the first terminal device 210 based on the capability information and / or the condition information.

[0116] In some example embodiments, in response to a determination of enabling the training, the training information may indicate to perform the training of the AI / ML model entity. In this case, the training procedure 315of the signaling flow 300 will be performed.

[0117] In some example embodiments, the training information may comprise at least one of: an indication to enable the training of the AI / ML model entity, a configuration of a training dataset for the AI / ML model entity, orone or more device condition thresholds for terminating the training of the AI / ML model entity. For example, the training information may include model / functionality training enabling indication, data set configuration, or a UE additional condition threshold.

[0118] In an example, the terminal side additional condition thresholdmay comprise at least one of the following: lowest battery leftover threshold, lowest memory size threshold, highest temperature threshold, highest mobility speed threshold, or target mobility direction.

[0119] In some example embodiments, the first terminal device 210 mayterminate (318) the training of the AI / ML model entity in response to that a device condition threshold of the one or more device condition thresholds is met. That is to say, the first terminal device 210 may autonomously determine to stop model / functionality training if one of the terminal side additional condition thresholds is met. For example, if thelowest battery leftover threshold is set to be 20%, once the battery leftover of the first terminal device 210 drops below 20%, the training will be automaticallystopped.

[0120] In some example embodiments, the training information may indicate to perform the training of the AI / ML model entity, and the training information may further indicate at least one factor that causes the training of the AI / ML model entity.

[0121] In some example embodiments, the at least one factor may comprise at least one of: that an additional condition at the network device 220 is not matched, that a device condition at the first terminal device 210 is not matched, that a performance of the AI / ML model entity is below a performance threshold, orthat previous training of the AI / ML model entity expires. To describe in more detail, the network device 220 maydetermine whether to trigger model / functionality training for the first terminal device 210 based on one or more factors.

[0122] The one or more factors may include thatsimilarity of network side additional condition. For example, if the network side additional condition doesnot match with the condition before, thenetwork device 220 may determine to trigger the training.

[0123] The one or more factors may include similarity of UE side additional condition.  For example, ifthe UE side additional condition does not match with the condition before, the network device 220 may determine to trigger the training.

[0124] The one or more factors may include time availability of previous trained model / functionality. For example, ifthe trained model / functionality is out of date, the network device 220 may determine to trigger the training.

[0125] The one or more factors may include performance monitoring result of the UE who is using the current model. For example, ifthe performance monitoring result does not meet the requirements, the network device 220 may determine to trigger the training.

[0126] In some example embodiments, the network device 220 may provide the training information to the first terminal device 210 after model delivery. For example, after a model is delivered to UE, the network may indicate the UE of the model / functionality training.

[0127] Continue with the procedure 315. In some example embodiments, the first terminal device 210 may transmit (320) , to the network device 220, information associated with the at least one factorin response that the training is completed. The network device 220 may receive (322) the information.

[0128] Depending on the differentfactorscausing the training, the first terminal device 210 may feedback different informationat the end of the training. In some example embodiments, the at least one factor may comprise that an additional condition at the network device is not matched, and the first terminal device 210 may transmit, to the network device 220, an associated identity corresponding to the additional condition.

[0129] In some example embodiments, the at least one factor may comprise that a device condition at the first terminal device is not matched, and the first terminal device 210 may transmit, to the network device 220, information about the matched device condition. For example, the information about the matched device conditionmay comprise at least one of the following: accounted temperature, accounted memory size, accounted mobility speed, accounted battery leftover, oraccounted mobility direction. For example, the information above may becollected by average calculation based on the functionality / model training duration.

[0130] In some example embodiments, the at least one factor may comprise that a performance of the AI / ML model entity is below a performance threshold, and the first  terminal device 210 may perform performance monitoring of the AI / ML model entity for a time period andtransmit the result of the performance monitoring to the network device 220.

[0131] In some example embodiments, the at least one factor may comprise that previous training of the AI / ML model entity expires, and the first terminal device may transmit, to the network device, information indicating a time (e.g., a time stamp) at which the training is completed.

[0132] In some example embodiments, the training information may indicate to perform the training of the AI / ML model entity, and the training information may further comprise at least one of: an identity of the AI / ML model entity, respective identities of one or more cells for which the trained AI / ML model entity is applicable, oran indication to enable sharing of the trained AI / ML model entity with other terminal devices. For example, the network mayconfigure at least one piece of the following information towards the UE: model ID (optionally) , applicable cell ID list, or enabling to share with other UE.

[0133] In some example embodiments, in response to a determination of skipping the training, the training information may indicate to skip the training of the AI / ML model entity. In this case, the model sharing procedure 325 of the signaling flow 300 will be performed.

[0134] One optional solution may be sharing a trained model by the network device 220. As shown in procedure 335, in some example embodiments, the network device 220 may transmit (324) , to the first network device 210, first configuration information for obtaining the trained AI / ML model entity broadcasted by the network device 220. The first terminal device 210 may receive the first configuration information. Then the network device 220 may broadcast (328) the trained AI / ML model entity based on the first configuration information. The firstterminaldevice 210 (as well as other acceptable terminal devicesconfigured with the first configuration) may receive (330) , from the network device 220, the trained AI / ML model entity.

[0135] In some example embodiments, the first configuration information may comprise at least one of: an identity of the trained AI / ML model entity, an estimated data amount of the trained AI / ML model entity to be received, a configuration of a time window during which the trained AI / ML model entity is to be broadcasted, a radio bearer  configuration for broadcasting the trained AI / ML model entity, ora security configuration for broadcasting the trained AI / ML model entity.

[0136] For example, when a UE, which is an AI / ML enabled UE, is configured from network with AI / ML functionality / model training skipping, the UE may be configured with additional at least one piece of the following information: functionality / model ID,estimated size of the functionality / model which would be received, receiving windowin which for receiving the corresponding functionality / model (in details, the receiving window configuration may include at least one ofstarting / ending boundary configuration, repetition times, orwindow length) , Measurement Report Block (MRB) configuration (including Packet Data Convergence Protocol (PDCP)  / Service Data Adaptation Protocol (SDAP)  / Radio Link Control (RLC)  / Medium Access Control (MAC)  / Physical Layer (PHY) configuration) , orsecurity configuration (including the encryption / decryption configuration, which is related to the Logical Channel Identifier (LCID) configuration carried in MRB configuration) .

[0137] When the UE is configured with the functionality / model reception approach, theUE mayperform reception according to the receiving window configuration. In an example, iftheUE successfully receives the target functionality / model from network, it may feedback an acknowledgment (ACK) towards network viaRRC message, Uplink Medium Access Control-Control Element (UL MAC CE) , orUCI. In an example, if theUE does not receive the target functionality / model successfully, it may feedback a negative acknowledgment (NAK) towards network viaRRC message, UL MAC CE, orUCI.

[0138] Another optional solution may be sharing a trained model bythe second terminal device 230. As shown in procedure 345, in some example embodiments, the network device 220may transmit (332) , to the first terminal device 210, second configuration information for obtaining the trained AI / ML model entity to be groupcasted by the second terminal device 230. The first terminal device 210 may receive (334) the second configuration. The network device 220may transmit (336) , to the second terminal device 230, a third configuration information for sharing the trained AI / ML model entity with a group of terminal devices comprising the first terminal device 210. The second terminal device 230may receive (338) the third configuration informationandgroupcast (340) the trained AI / ML model entity based on the third configuration. The first terminal device 210 mayreceive (342) the trained AI / ML model entity.

[0139] In some example embodiments, the second configuration information may comprise at least one of: a device identity of the second terminal device, a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, ora member identification of a terminal device group to which the trained AI / ML model entity is to be groupcasted.

[0140] In some example embodiments, the third configuration information maycomprise at least one of: a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, an indication of members in the group of terminal devices, ora service indication.

[0141] For example, when a transmitting UE (as the second terminal device 230) , which is an AI / ML enabled UE, has a well trained functionality / model, network may configure the transmitting UE to share the model towards other UEs via non-Uu interface (such non-Uu interface may be UE to UE interface besides Proximity-based Services 5GHz Interface (PC5) interface) , in details, the configuration may include at least one of:transmitting window configuration, Radio Bearer (RB) configuration, group member configuration (for which each member is a UE who may receive the functionality / model) , orservice indication.

[0142] When the transmitting UE has received such configuration, it may accordingly to set up the corresponding RB for functionality / model sharing and perform transmission according to the window configuration.

[0143] When a receiving UE (as the first terminal device210) , which is an AI / ML enabled UE, is configured from network with AI / ML functionality / model training skipping, the UE may be configured with additional at least one of: UE ID of thetransmitting UE, receiving window configuration, RB configuration, ormember ID configuration, which is used to get the feedback resource.

[0144] When the receiving UE has received such configuration, it may accordingly to set up the corresponding RB for functionality / model sharing, perform reception according to the window configuration and perform feedback with the corresponding Physical Sidelink Feedback Channel (PSFCH) resource calculated by the member ID.

[0145] FIG. 4 illustrates a flowchart of a communication method 400 implemented at  afirst terminal device in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 400 will be described from the perspective of the first terminal device 210 in FIG. 1.

[0146] At block 410, the first terminal device210 transmits at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training.

[0147] At block 420, the first terminal device210receives, from the network device 220, training information at least indicating whether to perform training of an AI / ML model entity.

[0148] In some example embodiments, the capability information comprises at least one of: an indication of whether the first terminal device 210 is capable of the AI / ML model entity training, an indication of whether the first terminal device 210 is capable of AI / ML model entity performance monitoring, or an indication of whether the first terminal device 210 is capable of AI / ML model entity tuning.

[0149] In some example embodiments, the capability information indicates the capability of the first terminal device 210 in terms of at least one of: individual AI / ML functionalities, individual AI / ML models, individual bandwidths, individual frequencies, or the first terminal device.

[0150] In some example embodiments, the capability information comprises a dataset size threshold of a training dataset available for the first terminal device 210 to performing AI / ML model entity training.

[0151] In some example embodiments, the capability information indicates: one or more dataset sizes, and an estimated training overhead caused by a training dataset of each dataset size of the one or more dataset sizes.

[0152] In some example embodiments, the first terminal device 210 may receive, from the network device 220, a request for the device condition of the first terminal device 210 associated with AI / ML model entity training; and in response to receiving the request, transmit the condition information to the network device 220.

[0153] In some example embodiments, the first terminal device 210 may receive, from the  network device 220, configuration information for periodic reporting of the device condition; and transmit the condition information to the network device 220periodically based on the configuration information.

[0154] In some example embodiments, the configuration information indicates at least one of: a starting time for reporting the device condition, or a periodicity for reporting the device condition.

[0155] In some example embodiments, the condition information comprises at least one of: information associated with a temperature of the first terminal device 210, information associated with memory consumption of the first terminal device 210, information associated with battery consumption of the first terminal device 210, information associated with a mobility speed of the first terminal device 210, or information associated with a mobility direction of the first terminal device 210.

[0156] In some example embodiments, the training information comprises at least one of: an indication to enable the training of the AI / ML model entity, a configuration of a training dataset for the AI / ML model entity, or one or more device condition thresholds for terminating the training of the AI / ML model entity.

[0157] In some example embodiments, the first terminal device 210may in response to that a device condition threshold of the one or more device condition thresholds is met, terminate the training of the AI / ML model entity.

[0158] In some example embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further indicates at least one factor that causes the training of the AI / ML model entity.

[0159] In some example embodiments, the at least one factor comprises at least one of: that an additional condition at the network device 220 is not matched, that a device condition at the first terminal device 210 is not matched, that a performance of the AI / ML model entity is below a performance threshold, or that previous training of the AI / ML model entity expires.

[0160] In some example embodiments, the first terminal device 210may in response that the training is completed, transmit, to the network device 220, information associated with the at least one factor.

[0161] In some example embodiments, the at least one factor comprises that an additional  condition at the network device 220 is not matched, and the first terminal device 210 is further caused to: in response that the training is completed, transmit, to the network device 220, an associated identity corresponding to the additional condition.

[0162] In some example embodiments, the at least one factor comprises that a device condition at the first terminal device 210 is not matched, and the first terminal device 210 is further caused to: in response that the training is completed, transmit, to the network device 220, information about the matched device condition.

[0163] In some example embodiments, the at least one factor comprises that a performance of the AI / ML model entity is below a performance threshold, and the first terminal device 210 is further caused to: in response that the training is completed, perform performance monitoring of the AI / ML model entity for a time period; and transmit a result of the performance monitoring to the network device 220.

[0164] In some example embodiments, the at least one factor comprises that previous training of the AI / ML model entity expires, and the first terminal device 210 may in response that the training is completed, transmit, to the network device 220, information indicating a time at which the training is completed.

[0165] In some example embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further comprises at least one of: an identity of the AI / ML model entity, respective identities of one or more cells for which the trained AI / ML model entity is applicable, or an indication to enable sharing of the trained AI / ML model entity with other terminal devices.

[0166] In some example embodiments, the training information indicates to skip the training of the AI / ML model entity, and the first terminal device 210mayreceive, from the network device 220, first configuration information for obtaining the trained AI / ML model entity to be broadcasted by the network device; and receive, from the network device 220, the trained AI / ML model entity based on the first configuration information.

[0167] In some example embodiments, the first configuration information comprises at least one of: an identity of the trained AI / ML model entity, an estimated data amount of the trained AI / ML model entity to be received, a configuration of a time window during which the trained AI / ML model entity is to be broadcasted, a radio bearer configuration for broadcasting the trained AI / ML model entity, or a security configuration for  broadcasting the trained AI / ML model entity.

[0168] In some example embodiments, the training information indicates to skip the training of the AI / ML model entity, and the first terminal device 210may receive, from the network device 220, second configuration information for obtaining the trained AI / ML model entity to be groupcasted by a second terminal device; and receive, from the second terminal device 230, the trained AI / ML model entity based on the second configuration information.

[0169] In some example embodiments, the second configuration information comprises at least one of: a device identity of the second terminal device 230, a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, or a member identification of a terminal device group to which the trained AI / ML model entity is to be groupcasted.

[0170] FIG. 5 illustrates a flowchart of a communication method 500 implemented at the second terminal device 230 in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 500 will be described from the perspective of the second terminal device 230 in FIG. 1.

[0171] At block 510, the second terminal device 230 receives, from the network device 220, a third configuration information for sharing a trained AI / ML model entity with a group of terminal devices.

[0172] At block 520, the second terminal device 230groupcasts the trained AI / ML model entity based on the third configuration.

[0173] In some example embodiments, the third configuration information comprises at least one of: a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, an indication of members in the group of terminal devices, or a service indication.

[0174] FIG. 6 illustrates a flowchart of a communication method 600 implemented at thenetwork device220 in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 600 will be described from the perspective of the network device 220 in FIG. 1.

[0175] At block 610, the network device 220 receives, from the first terminal device 210, at least one of capability information or condition information, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training.

[0176] At block 620, the network device 220 transmits, to the first terminal device 210, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information.

[0177] In some example embodiments, the capability information comprises at least one of: an indication of whether the first terminal device 210 is capable of the AI / ML model entity training, an indication of whether the first terminal device 210 is capable of AI / ML model entity performance monitoring, or an indication of whether the first terminal device 210 is capable of AI / ML model entity tuning.

[0178] In some example embodiments, the capability information indicates the capability of the first terminal device 210 in terms of at least one of: individual AI / ML functionalities, individual AI / ML models, individual bandwidths, individual frequencies, or the first terminal device.

[0179] In some example embodiments, the capability information comprises a dataset size threshold of a training dataset available for the first terminal device 210 to performing AI / ML model entity training.

[0180] In some example embodiments, the capability information indicates: one or more dataset sizes, and an estimated training overhead caused by a training dataset of each dataset size of the one or more dataset sizes.

[0181] In some example embodiments, the network device 220 may transmit, to the first network device 210, a request for the device condition of the first terminal device 210 associated with AI / ML model entity training, and wherein the condition information is received as a response to the request.

[0182] In some example embodiments, the network device 220maytransmit, to the first terminal device 210, configuration information for periodic reporting of the device condition; and receive the condition information from the first terminal device 210  periodically based on the configuration information.

[0183] In some example embodiments, the configuration information indicates at least one of: a starting time for reporting the device condition, or a periodicity for reporting the device condition.

[0184] In some example embodiments, the condition information comprises at least one of: information associated with a temperature of the first terminal device 210, information associated with memory consumption of the first terminal device 210, information associated with battery consumption of the first terminal device 210, information associated with a mobility speed of the first terminal device 210, or information associated with a mobility direction of the first terminal device 210.

[0185] In some example embodiments, the training information comprises at least one of: an indication to enable the training of the AI / ML model entity, a configuration of a training dataset for the AI / ML model entity, or one or more device condition thresholds for terminating the training of the AI / ML model entity.

[0186] In some example embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further indicates at least one factor that causes the training of the AI / ML model entity.

[0187] In some example embodiments, the at least one factor comprises at least one of: that an additional condition at the network device 220 is not matched, that a device condition at the first terminal device 210 is not matched, that a performance of the AI / ML model entity is below a performance threshold, or that previous training of the AI / ML model entity expires.

[0188] In some example embodiments, the network device 220mayreceive, from the first terminal device 210, information associated with the at least one factor after the training is completed.

[0189] In some example embodiments, the at least one factor comprises that an additional condition at the network device 220 is not matched, and the network device220 is further caused to: receive, from the first terminal device 210, an associated identity corresponding to the additional condition after the training is completed.

[0190] In some example embodiments, the at least one factor comprises that a device condition at the first terminal device 210 is not matched, and the network device  220may receive, from the first terminal device 210, information about the matched device condition after the training is completed.

[0191] In some example embodiments, the at least one factor comprises that a performance of the AI / ML model entity is below a performance threshold, and the network device 220 may receive, from the first terminal device 210, a result of a performance monitoring of the AI / ML model entity, the performance monitoring being performed for a time period after the training is completed.

[0192] In some example embodiments, the at least one factor comprises that previous training of the AI / ML model entity expires, and the network device 220 may receive, from the first terminal device 210, information indicating a time at which the training is completed.

[0193] In some example embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further comprises at least one of: an identity of the AI / ML model entity, respective identities of one or more cells for which the trained AI / ML model entity is applicable, or an indication to enable sharing of the trained AI / ML model entity with other terminal devices.

[0194] In some example embodiments, the training information indicates to skip the training of the AI / ML model entity, and the network device 220maytransmit, to the first network device 210 , first configuration information for obtaining the trained AI / ML model entity broadcasted by the network device 220; and broadcast the trained AI / ML model entity based on the first configuration information.

[0195] In some example embodiments, the first configuration information comprises at least one of: an identity of the trained AI / ML model entity, an estimated data amount of the trained AI / ML model entity to be received, a configuration of a time window during which the trained AI / ML model entity is to be broadcasted, a radio bearer configuration for broadcasting the trained AI / ML model entity, or a security configuration for broadcasting the trained AI / ML model entity.

[0196] In some example embodiments, the training information indicates to skip the training of the AI / ML model entity, and the network device 220 may transmit, to the first terminal device 210, second configuration information for obtaining the trained AI / ML model entity to be groupcasted by the second terminal device 230; and transmit,  to the second terminal device 230, a third configuration information for sharing the trained AI / ML model entity with a group of terminal devices comprising the first terminal device 210.

[0197] In some example embodiments, the second configuration information comprises at least one of: a device identity of the second terminal device 230, a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, or a member identification of a terminal device group to which the trained AI / ML model entity is to be groupcasted, and wherein the third configuration information comprises at least one of: a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, an indication of members in the group of terminal devices, or a service indication.

[0198] FIG. 7 is a simplified block diagram of a device 700 that is suitable for implementing embodiments of the present disclosure. The device 700 can be considered as a further example implementation of any of the devices as shown in FIG. 2. Accordingly, the device 700 can be implemented at or as at least a part of the firstterminal device 210, the second terminal device 230 or the network device 220.

[0199] As shown, the device 700 includes a processor 710, a memory 720 coupled to the processor 710, a suitable transceiver 740 coupled to the processor 710, and a communication interface coupled to the transceiver 740. The memory 720 stores at least a part of a program 730. The transceiver 740 may be for bidirectional communications or a unidirectional communication based on requirements. The transceiver 740 may include at least one of a transmitter 742 and a receiver 744. The transmitter 742 and the receiver 744 may be functional modules or physical entities. The transceiver 740 has at least one antenna to facilitate communication, though in practice an Access Node mentioned in this application may have several ones. The communication interface may represent any interface that is necessary for communication with other network elements, such as X2 / Xn interface for bidirectional communications between eNBs / gNBs, S1 / NG interface for communication between a Mobility Management Entity (MME)  / Access and Mobility Management Function (AMF)  / SGW / UPF and the eNB / gNB, Un interface for communication between the eNB / gNB and a relay node (RN) , or Uu interface for communication between the eNB / gNB and a terminal device.

[0200] The program 730 is assumed to include program instructions that, when executed by the associated processor 710, enable the device 700 to operate in accordance with the embodiments of the present disclosure, as discussed herein with reference to FIGS. 1 to 6. The embodiments herein may be implemented by computer software executable by the processor 710 of the device 700, or by hardware, or by a combination of software and hardware. The processor 710 may be configured to implement various embodiments of the present disclosure. Furthermore, a combination of the processor 710 and memory 720 may form processing means 750 adapted to implement various embodiments of the present disclosure.

[0201] The memory 720 may be of any type suitable to the local technical network and may be implemented using any suitable data storage technology, such as a non-transitory computer readable storage medium, semiconductor based memory devices, magnetic memory devices and systems, optical memory devices and systems, fixed memory and removable memory, as non-limiting examples. While only one memory 720 is shown in the device 700, there may be several physically distinct memory modules in the device 700. The processor 710 may be of any type suitable to the local technical network, and may include one or more of general purpose computers, special purpose computers, microprocessors, digital signal processors (DSPs) and processors based on multicore processor architecture, as non-limiting examples. The device 700 may have multiple processors, such as an application specific integrated circuit chip that is slaved in time to a clock which synchronizes the main processor.

[0202] According to embodiments of the present disclosure, afirst terminal device comprising a circuitry is provided. The circuitry is configured to: transmit at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and receive, from the network device, training information at least indicating whether to perform training of an AI / ML model entity. According to embodiments of the present disclosure, the circuitry may be configured to perform any method implemented by the first terminal device as discussed above.

[0203] According to embodiments of the present disclosure, asecond terminal device comprising a circuitry is provided. The circuitry is configured to: receive, from a  network device, a third configuration information for sharing a trained AI / ML model entity with a group of terminal devices; and groupcast the trained AI / ML model entity based on the third configuration. According to embodiments of the present disclosure, the circuitry may be configured to perform any method implemented by the second terminal device as discussed above.

[0204] According to embodiments of the present disclosure, anetwork device comprising a circuitry is provided. The circuitry is configured to: receive, from a first terminal device, at least one of capability information or condition information, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and transmit, to the first terminal device, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information. According to embodiments of the present disclosure, the circuitry may be configured to perform any method implemented by the network device as discussed above.

[0205] The term “circuitry” used herein may refer to hardware circuits and / or combinations of hardware circuits and software. For example, the circuitry may be a combination of analog and / or digital hardware circuits with software / firmware. As a further example, the circuitry may be any portions of hardware processors with software including digital signal processor (s) , software, and memory (ies) that work together to cause an apparatus, such as a terminal device or a network device, to perform various functions. In a still further example, the circuitry may be hardware circuits and or processors, such as a microprocessor or a portion of a microprocessor, that requires software / firmware for operation, but the software may not be present when it is not needed for operation. As used herein, the term circuitry also covers an implementation of merely a hardware circuit or processor (s) or a portion of a hardware circuit or processor (s) and its (or their) accompanying software and / or firmware.

[0206] According to embodiments of the present disclosure, a first terminal apparatus is provided. The first terminal apparatus comprises means for transmitting at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first  terminal device associated with AI / ML model entity training; and means for receiving, from the network device, training information at least indicating whether to perform training of an AI / ML model entity. In some embodiments, the firstapparatus may comprise means for performing the respective operations of the method 400. In some example embodiments, the first apparatus may further comprise means for performing other operations in some example embodiments of the method 400. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0207] According to embodiments of the present disclosure, a second terminalapparatus is provided. The second terminal apparatus comprises means for receiving, from a network device, a third configuration information for sharing a trained AI / ML model entity with a group of terminal devices; and means for groupcasting the trained AI / ML model entity based on the third configuration. In some embodiments, the secondapparatus may comprise means for performing the respective operations of the method 500. In some example embodiments, the second apparatus may further comprise means for performing other operations in some example embodiments of the method 500. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0208] According to embodiments of the present disclosure, a network apparatus is provided. The network apparatus comprises means for receiving, from a first terminal device, at least one of capability information or condition information, the capability information indicating a capability of the first terminal device associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; and means for transmitting, to the first terminal device, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information. In some embodiments, the thirdapparatus may comprise means for performing the respective operations of the method 600. In some example embodiments, the third apparatus may further comprise means for performing other operations in some example embodiments of the method 600. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0209] In summary, embodiments of the present disclosure provide the following aspects.

[0210] In an aspect, it is proposed a first terminal device 210 comprising: a processor configured to cause the first terminal device 210 to: transmit at least one of capability information or condition information to a network device 220, the capability information indicating a capability of the first terminal device 210 associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device 210 associated with AI / ML model entity training; and receive, from the network device 220, training information at least indicating whether to perform training of an AI / ML model entity.

[0211] In some embodiments, the capability information comprises at least one of: an indication of whether the first terminal device 210 is capable of the AI / ML model entity training, an indication of whether the first terminal device 210 is capable of AI / ML model entity performance monitoring, or an indication of whether the first terminal device 210 is capable of AI / ML model entity tuning.

[0212] In some embodiments, the capability information indicates the capability of the first terminal device 210 in terms of at least one of: individual AI / ML functionalities, individual AI / ML models, individual bandwidths, individual frequencies, or the first terminal device 210.

[0213] In some embodiments, the capability information comprises a dataset size threshold of a training dataset available for the first terminal device 210 to performing AI / ML model entity training.

[0214] In some embodiments, the capability information indicates: one or more dataset sizes, and an estimated training overhead caused by a training dataset of each dataset size of the one or more dataset sizes.

[0215] In some embodiments, the first terminal device 210 is caused to: receive, from the network device 220, a request for the device condition of the first terminal device 210 associated with AI / ML model entity training; and in response to receiving the request, transmit the condition information to the network device 220.

[0216] In some embodiments, the first terminal device 210 is caused to: receive, from the network device 220, configuration information for periodic reporting of the device condition; and transmit the condition information to the network device 220 periodically based on the configuration information.

[0217] In some embodiments, the configuration information indicates at least one of: a starting time for reporting the device condition, or a periodicity for reporting the device condition.

[0218] In some embodiments, the condition information comprises at least one of: information associated with a temperature of the first terminal device 210, information associated with memory consumption of the first terminal device 210, information associated with battery consumption of the first terminal device 210, information associated with a mobility speed of the first terminal device 210, or information associated with a mobility direction of the first terminal device 210.

[0219] In some embodiments, the training information comprises at least one of: an indication to enable the training of the AI / ML model entity, a configuration of a training dataset for the AI / ML model entity, or one or more device condition thresholds for terminating the training of the AI / ML model entity.

[0220] In some embodiments, the first terminal device 210 is further caused to: in response to that a device condition threshold of the one or more device condition thresholds is met, terminate the training of the AI / ML model entity.

[0221] In some embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further indicates at least one factor that causes the training of the AI / ML model entity.

[0222] In some embodiments, the at least one factor comprises at least one of: that an additional condition at the network device 220 is not matched, that a device condition at the first terminal device 210 is not matched, that a performance of the AI / ML model entity is below a performance threshold, or that previous training of the AI / ML model entity expires.

[0223] In some embodiments, the first terminal device 210 is further caused to: in response that the training is completed, transmit, to the network device 220, information associated with the at least one factor.

[0224] In some embodiments, the at least one factor comprises that an additional condition at the network device 220 is not matched, and the first terminal device 210 is further caused to: in response that the training is completed, transmit, to the network device 220, an associated identity corresponding to the additional condition.

[0225] In some embodiments, the at least one factor comprises that a device condition at the first terminal device 210 is not matched, and the first terminal device 210 is further caused to: in response that the training is completed, transmit, to the network device 220, information about the matched device condition.

[0226] In some embodiments, the at least one factor comprises that a performance of the AI / ML model entity is below a performance threshold, and the first terminal device 210 is further caused to: in response that the training is completed, perform performance monitoring of the AI / ML model entity for a time period; and transmit a result of the performance monitoring to the network device 220.

[0227] In some embodiments, the at least one factor comprises that previous training of the AI / ML model entity expires, and the first terminal device 210 is further caused to: in response that the training is completed, transmit, to the network device 220, information indicating a time at which the training is completed.

[0228] In some embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further comprises at least one of: an identity of the AI / ML model entity, respective identities of one or more cells for which the trained AI / ML model entity is applicable, or an indication to enable sharing of the trained AI / ML model entity with other terminal devices.

[0229] In some embodiments, the training information indicates to skip the training of the AI / ML model entity, and the first terminal device 210 is further caused to: receive, from the network device 220, first configuration information for obtaining the trained AI / ML model entity to be broadcasted by the network device 220; and receive, from the network device 220, the trained AI / ML model entity based on the first configuration information.

[0230] In some embodiments, the first configuration information comprises at least one of: an identity of the trained AI / ML model entity, an estimated data amount of the trained AI / ML model entity to be received, a configuration of a time window during which the trained AI / ML model entity is to be broadcasted, a radio bearer configuration for broadcasting the trained AI / ML model entity, or a security configuration for broadcasting the trained AI / ML model entity.

[0231] In some embodiments, the training information indicates to skip the training of the  AI / ML model entity, and the first terminal device 210 is further caused to: receive, from the network device 220, second configuration information for obtaining the trained AI / ML model entity to be groupcasted by a second terminal device 230; and receive, from the second terminal device 230, the trained AI / ML model entity based on the second configuration information.

[0232] In some embodiments, the second configuration information comprises at least one of: a device identity of the second terminal device 230, a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, or a member identification of a terminal device group to which the trained AI / ML model entity is to be groupcasted.

[0233] In an aspect, it is proposed a second terminal device 230 comprising: a processor configured to cause the second terminal device 230 to: receive, from a network device 220, a third configuration information for sharing a trained AI / ML model entity with a group of terminal devices; and groupcast the trained AI / ML model entity based on the third configuration.

[0234] In some embodiments, the third configuration information comprises at least one of: a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, an indication of members in the group of terminal devices, or a service indication.

[0235] In an aspect, it is proposed a network device 220 comprising: a processor configured to cause the network device 220 to: receive, from a first terminal device 210, at least one of capability information or condition information, the capability information indicating a capability of the first terminal device 210 associated with AI / ML model entity training, the condition information indicating a device condition of the first terminal device 210 associated with AI / ML model entity training; and transmit, to the first terminal device 210, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capability information or the condition information.

[0236] In some embodiments, the capability information comprises at least one of: an indication of whether the first terminal device 210 is capable of the AI / ML model entity training, an indication of whether the first terminal device 210 is capable of AI / ML  model entity performance monitoring, or an indication of whether the first terminal device 210 is capable of AI / ML model entity tuning.

[0237] In some embodiments, the capability information indicates the capability of the first terminal device 210 in terms of at least one of: individual AI / ML functionalities, individual AI / ML models, individual bandwidths, individual frequencies, or the first terminal device 210.

[0238] In some embodiments, the capability information comprises a dataset size threshold of a training dataset available for the first terminal device 210 to performing AI / ML model entity training.

[0239] In some embodiments, the capability information indicates: one or more dataset sizes, and an estimated training overhead caused by a training dataset of each dataset size of the one or more dataset sizes.

[0240] In some embodiments, the network device 220 is further caused to: transmit, to the first network device 220, a request for the device condition of the first terminal device 210 associated with AI / ML model entity training, and wherein the condition information is received as a response to the request.

[0241] In some embodiments, the first terminal device 210 is caused to: transmit, to the first terminal device 210, configuration information for periodic reporting of the device condition; and receive the condition information from the first terminal device 210 periodically based on the configuration information.

[0242] In some embodiments, the configuration information indicates at least one of: a starting time for reporting the device condition, or a periodicity for reporting the device condition.

[0243] In some embodiments, the condition information comprises at least one of: information associated with a temperature of the first terminal device 210, information associated with memory consumption of the first terminal device 210, information associated with battery consumption of the first terminal device 210, information associated with a mobility speed of the first terminal device 210, or information associated with a mobility direction of the first terminal device 210.

[0244] In some embodiments, the training information comprises at least one of: an indication to enable the training of the AI / ML model entity, a configuration of a training  dataset for the AI / ML model entity, or one or more device condition thresholds for terminating the training of the AI / ML model entity.

[0245] In some embodiments, the training information indicates to perform the training of the AI / ML model entity, and the training information further indicates at least one factor that causes the training of the AI / ML model entity.

[0246] In some embodiments, the at least one factor comprises at least one of: that an additional condition at the network device 220 is not matched, that a device condition at the first terminal device 210 is not matched, that a performance of the AI / ML model entity is below a performance threshold, or that previous training of the AI / ML model entity expires.

[0247] In some embodiments, the network device 220 is further caused to: receive, from the first terminal device 210, information associated with the at least one factor after the training is completed.

[0248] In some embodiments, the at least one factor comprises that an additional condition at the network device 220 is not matched, and the network device 220 is further caused to: receive, from the first terminal device 210, an associated identity corresponding to the additional condition after the training is completed.

[0249] In some embodiments, the at least one factor comprises that a device condition at the first terminal device 210 is not matched, and the network device 220 is further caused to: receive, from the first terminal device 210, information about the matched device condition after the training is completed.

[0250] In some embodiments, the at least one factor comprises that a performance of the AI / ML model entity is below a performance threshold, and the network device 220 is further caused to: receive, from the first terminal device 210, a result of a performance monitoring of the AI / ML model entity, the performance monitoring being performed for a time period after the training is completed.

[0251] In some embodiments, the at least one factor comprises that previous training of the AI / ML model entity expires, and the network device 220 is further caused to: receive, from the first terminal device 210, information indicating a time at which the training is completed.

[0252] In some embodiments, the training information indicates to perform the training of  the AI / ML model entity, and the training information further comprises at least one of: an identity of the AI / ML model entity, respective identities of one or more cells for which the trained AI / ML model entity is applicable, or an indication to enable sharing of the trained AI / ML model entity with other terminal devices.

[0253] In some embodiments, the training information indicates to skip the training of the AI / ML model entity, and the network device 220 is further caused to: transmit, to the first network device 220, first configuration information for obtaining the trained AI / ML model entity broadcasted by the network device 220; and broadcast the trained AI / ML model entity based on the first configuration information.

[0254] In some embodiments, the first configuration information comprises at least one of: an identity of the trained AI / ML model entity, an estimated data amount of the trained AI / ML model entity to be received, a configuration of a time window during which the trained AI / ML model entity is to be broadcasted, a radio bearer configuration for broadcasting the trained AI / ML model entity, or a security configuration for broadcasting the trained AI / ML model entity.

[0255] In some embodiments, the training information indicates to skip the training of the AI / ML model entity, and the network device 220 is further caused to: transmit, to the first terminal device 210, second configuration information for obtaining the trained AI / ML model entity to be groupcasted by a second terminal device 230; and transmit, to a second terminal device 230, a third configuration information for sharing the trained AI / ML model entity with a group of terminal devices comprising the first terminal device 210.

[0256] In some embodiments, the second configuration information comprises at least one of: a device identity of the second terminal device 230, a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, or a member identification of a terminal device group to which the trained AI / ML model entity is to be groupcasted, and wherein the third configuration information comprises at least one of: a configuration of a time window during which the trained AI / ML model entity is to be groupcasted, a radio bearer configuration for groupcasting the trained AI / ML model entity, an indication of members in the group of terminal devices, or a service indication.

[0257] In an aspect, afirst terminal device 210 comprises: at least one processor; and at  least one memory coupled to the at least one processor and storing instructions thereon, the instructions, when executed by the at least one processor, causing the device to perform the method implemented by the first terminal device 210 discussed above.

[0258] In an aspect, asecond terminal device 230 comprises: at least one processor; and at least one memory coupled to the at least one processor and storing instructions thereon, the instructions, when executed by the at least one processor, causing the device to perform the method implemented by the second terminal device 230 discussed above.

[0259] In an aspect, anetwork device 220 comprises: at least one processor; and at least one memory coupled to the at least one processor and storing instructions thereon, the instructions, when executed by the at least one processor, causing the device to perform the method implemented by the network device 220 discussed above.

[0260] In an aspect, a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the first terminal device 210 discussed above.

[0261] In an aspect, a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the second terminal device 230 discussed above.

[0262] In an aspect, a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the network device 220 discussed above.

[0263] In an aspect, a computer program comprising instructions, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the first terminal device 210 discussed above.

[0264] In an aspect, a computer program comprising instructions, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the second terminal device 230 discussed above.

[0265] In an aspect, a computer program comprising instructions, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the network device 220 discussed above.

[0266] Generally, various embodiments of the present disclosure may be implemented in  hardware or special purpose circuits, software, logic or any combination thereof. Some aspects may be implemented in hardware, while other aspects may be implemented in firmware or software which may be executed by a controller, microprocessor or other computing device. While various aspects of embodiments of the present disclosure are illustrated and described as block diagrams, flowcharts, or using some other pictorial representation, it will be appreciated that the blocks, apparatus, systems, techniques or methods described herein may be implemented in, as non-limiting examples, hardware, software, firmware, special purpose circuits or logic, general purpose hardware or controller or other computing devices, or some combination thereof.

[0267] The present disclosure also provides at least one computer program product tangibly stored on a non-transitory computer readable storage medium. The computer program product includes computer-executable instructions, such as those included in program modules, being executed in a device on a target real or virtual processor, to carry out the process or method as described above with reference to FIGS. 1 to 6. Generally, program modules include routines, programs, libraries, objects, classes, components, data structures, or the like that perform particular tasks or implement particular abstract data types. The functionality of the program modules may be combined or split between program modules as desired in various embodiments. Machine-executable instructions for program modules may be executed within a local or distributed device. In a distributed device, program modules may be located in both local and remote storage media.

[0268] Program code for carrying out methods of the present disclosure may be written in any combination of one or more programming languages. These program codes may be provided to a processor or controller of a general purpose computer, special purpose computer, or other programmable data processing apparatus, such that the program codes, when executed by the processor or controller, cause the functions / operations specified in the flowcharts and / or block diagrams to be implemented. The program code may execute entirely on a machine, partly on the machine, as a stand-alone software package, partly on the machine and partly on a remote machine or entirely on the remote machine or server.

[0269] The above program code may be embodied on a machine readable medium, which may be any tangible medium that may contain, or store a program for use by or in connection with an instruction execution system, apparatus, or device. The machine  readable medium may be a machine readable signal medium or a machine readable storage medium. A machine readable medium may include but not limited to an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, or device, or any suitable combination of the foregoing. More specific examples of the machine readable storage medium would include an electrical connection having one or more wires, a portable computer diskette, a hard disk, a random access memory (RAM) , a read-only memory (ROM) , an erasable programmable read-only memory (EPROM or Flash memory) , an optical fiber, a portable compact disc read-only memory (CD-ROM) , an optical storage device, a magnetic storage device, or any suitable combination of the foregoing.

[0270] Further, while operations are depicted in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. In certain circumstances, multitasking and parallel processing may be advantageous. Likewise, while several specific implementation details are contained in the above discussions, these should not be construed as limitations on the scope of the present disclosure, but rather as descriptions of features that may be specific to particular embodiments. Certain features that are described in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment may also be implemented in multiple embodiments separately or in any suitable sub-combination.

[0271] Although the present disclosure has been described in language specific to structural features and / or methodological acts, it is to be understood that the present disclosure defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as example forms of implementing the claims.

Claims

1.A first terminal device comprising:a processor configured to cause the first terminal device to:transmit at least one of capabilityinformation or condition information to a network device, the capability information indicating a capability of the first terminal device associated withArtificial Intelligence / Machine Learning (AI / ML) model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; andreceive, from the network device, training information at least indicating whether to perform training of an AI / ML model entity.2.The first terminal device of claim 1, wherein the capabilityinformation comprises at least one of:an indication of whether the first terminal device is capable of the AI / ML model entity training,an indication of whether the first terminal device is capable of AI / ML model entity performance monitoring, oran indication of whether the first terminal device is capable of AI / ML model entity tuning.3.The first terminal device of claim 1, wherein the capability information indicates the capability of the first terminal device in terms of at least one of:individual AI / ML functionalities,individual AI / ML models,individual bandwidths,individual frequencies, orthe first terminal device.4.The first terminal device of claim 1, wherein the first terminal device is caused to:receive, from the network device, configuration information for periodic reporting of the device condition; andtransmit the condition information to the network device periodically based on the configuration information.5.The first terminal device of claim 1, wherein the condition information comprises at least one of:information associated with a temperature of the first terminal device,information associated with memory consumption of the first terminal device,information associated with battery consumption of the first terminal device,information associated with a mobility speed of the first terminal device, orinformation associated with a mobility direction of the first terminal device.6.The first terminal device of claim 1, wherein the training information indicates to perform the training of the AI / ML model entity, and the training information further indicates at least one factor that causes the training of the AI / ML model entity.7.The first terminal device of claim 6, wherein the at least one factor comprises at least one of:that an additional condition at the network device is not matched,that a device condition at the first terminal device is not matched,that a performance of the AI / ML model entity is below a performance threshold, orthat previous training of the AI / ML model entity expires.8.The first terminal device of claim 6, wherein the at least one factor comprises that that a performance of the AI / ML model entity is below a performance threshold, and the first terminal device is further caused to:in response that the training is completed, perform performance monitoring of the AI / ML model entity for a time period; andtransmit a result of the performance monitoring to the network device.9.The first terminal device of claim 1, wherein the training information indicates to skip the training of the AI / ML model entity, and the first terminal device is further caused to:receive, from the network device, first configuration information for obtaining the trained AI / ML model entity to be broadcasted by the network device; andreceive, from the network device, the trained AI / ML model entity based on the first configuration information.10.The first terminal device of claim 9, wherein the first configuration information comprises at least one of:an identity of the trained AI / ML model entity,an estimated data amount of the trained AI / ML model entity to be received,a configuration of a time window during which the trained AI / ML model entity is to be broadcasted,a radio bearer configuration for broadcasting the trained AI / ML model entity, ora securityconfiguration for broadcasting the trained AI / ML model entity.11.A second terminal device comprising:a processor configured to cause the second terminal device to:receive, from a network device, a third configuration information for sharing a trained Artificial Intelligence / Machine Learning (AI / ML) model entity with a group of terminal devices; andgroupcast the trained AI / ML model entity based on the third configuration.12.The second terminal device of claim 11, wherein the third configuration information comprises at least one of:a configuration of a time window during which the trained AI / ML model entity is to be groupcasted,a radio bearer configuration for groupcasting the trained AI / ML model entity,an indication of members in the group of terminal devices, ora service indication.13.A network device comprising:a processor configured to cause the network device to:receive, from a first terminal device, at least one of capabilityinformation or condition information, the capability information indicating a capability of the first terminal device associated withArtificial Intelligence / Machine Learning (AI / ML) model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; andtransmit, to the first terminal device, training information at least indicating whether to perform training of an AI / ML model entity based on the at least one of the capabilityinformation or the condition information.14.The network device of claim 13, wherein the capabilityinformation comprises at least one of:an indication of whether the first terminal device is capable of the AI / ML model entity training,an indication of whether the first terminal device is capable of AI / ML model entity performance monitoring, oran indication of whether the first terminal device is capable of AI / ML model entity tuning.15.The network device of claim 13, wherein the capability information indicates the capability of the first terminal device in terms of at least one of:individual AI / ML functionalities,individual AI / ML models,individual bandwidths,individual frequencies, orthe first terminal device.16.The networkdevice of claim 13, wherein the condition information comprises at least one of:information associated with a temperature of the first terminal device,information associated with memory consumption of the first terminal device,information associated with battery consumption of the first terminal device,information associated with a mobility speed of the first terminal device, orinformation associated with a mobility direction of the first terminal device.17.The networkdevice of claim 13, whereinthe training information indicates to skip the training of the AI / ML model entity, and the network device is further caused to:transmit, to the first network device, first configuration information for obtaining the trained AI / ML model entity broadcasted by the network device, anwherein the first configuration information comprises at least one of:an identity of the trained AI / ML model entity,an estimated data amount of the trained AI / ML model entity to be received,a configuration of a time window during which the trained AI / ML model entity is to be broadcasted,a radio bearer configuration for broadcasting the trained AI / ML model entity, ora securityconfiguration for broadcasting the trained AI / ML model entity.18.The network device of claim 13, wherein the training information indicates to skip the training of the AI / ML model entity, and the network device is further caused to:transmit, to the first terminal device, second configuration information for obtaining the trained AI / ML model entity to be groupcasted by a second terminal device; andtransmit, to a second terminal device, a third configuration information for sharing the trained AI / ML model entity with a group of terminal devices comprising the first terminal device.19.The networkdevice of claim 18, wherein the second configuration information comprises at least one of:a device identity of the second terminal device,a configuration of a time window during which the trained AI / ML model entity is to be groupcasted,a radio bearer configuration for groupcasting the trained AI / ML model entity, ora member identification of a terminal device group to which the trained AI / ML model entity is to be groupcasted, andwherein the third configuration information comprises at least one of:a configuration of a time window during which the trained AI / ML model entity is to be groupcasted,a radio bearer configuration for groupcasting the trained AI / ML model entity,an indication of members in the group of terminal devices, ora service indication.20.A communication method implemented at afirst terminal device, comprising:transmitting at least one of capability information or condition information to a network device, the capability information indicating a capability of the first terminal device associated with Artificial Intelligence / Machine Learning (AI / ML) model entity training, the condition information indicating a device condition of the first terminal device associated with AI / ML model entity training; andreceiving, from the network device, training information at least indicating whether to perform training of an AI / ML model entity.

Images