Method and apparatus for life-cycle management of data in wireless communication systems

Abstract

The present application relates generally to wireless communications, and more specifically to methods and apparatuses for data management in wireless communication systems. An example method includes obtaining a dataset. The dataset includes at least first channel information indicating status of a channel associated with a first network node. The method further includes obtaining a codebook dictionary based on the dataset. The codebook dictionary includes at least one codeword.

Description

METHOD AND APPARATUS FOR LIFE-CYCLE MANAGEMENT OF DATA IN WIRELESS COMMUNICATION SYSTEMSCROSS-REFERENCE TO RELATED APPLICATIONS

[0001] This application claims the benefit of U.S. Provisional Application Serial No. 63 / 716,042 filed on November 4, 2024, the entire contents of which are hereby incorporated by reference in its entirety.TECHNICAL FIELD

[0002] The application relates generally to wireless communications, and more specifically to methods and apparatuses for data management in wireless communication systems.BACKGROUND

[0003] With the maturity of 5G technologies and the development of more advanced technologies, wireless communication systems are advancing toward higher speeds, larger capacities, lower latency, and greater intelligence. Artificial intelligence (AI) and machine learning (ML) have gradually become essential technologies to achieve these goals. They are widely applied in various aspects, such as channel state information (CSI) feedback, beamforming, resource allocation, and mobility management, to improve network performance, spectral efficiency, and user experience.SUMMARY

[0004] One or more implementations of the present application provide communication methods and communication apparatuses. The techniques described in the application can improve the performance of data management in wireless communication systems.

[0005] According to a first aspect, a method is provided. The method includes obtaining a dataset, where the dataset includes at least first channel information indicating status of a channel associated with a first network node; and obtaining a codebook dictionary based on the dataset, where the codebook dictionary includes at least one codeword.

[0006] With reference to the first aspect, in some implementations, the obtaining the codebook dictionary includes: determining the codebook dictionary based on the dataset.

[0007] With reference to the first aspect, in some implementations, the method further includes transmitting the codebook dictionary.

[0008] With reference to the first aspect, in some implementations, the obtaining the dataset comprise: receiving a first local dataset from the first network node, where the first local dataset includes at least the first channel information; receiving a second local dataset from a second network node, where the second local dataset includes at least a second channel information, where the second channel information indicates status of a channel associated with the second network node; and determining the dataset based on the first local dataset and the second local dataset.

[0009] With reference to the first aspect, in some implementations, where the dataset includes the first local dataset and the second local dataset.

[0010] With reference to the first aspect, in some implementations, the dataset is a first local dataset; and the obtaining the codebook dictionary includes: determining a first local codebook dictionary based on the first local dataset; receiving a second local codebook dictionary from a second network node; and determining the codebook dictionary based on the first local codebook dictionary and the second local codebook dictionary.

[0011] With reference to the first aspect, in some implementations, the first local codebook dictionary includes M codewords, the second local codebook dictionary includes N codewords, the codebook dictionary includes K codewords, M, N, and K are positive integers, and K ≤ M+N.

[0012] With reference to the first aspect, in some implementations, the method further includes transmitting the first local codebook dictionary to the second network node.

[0013] With reference to the first aspect, in some implementations, the method further includes determining a channel data model indicating a pattern associated with at least one sparse representation, where each of the at least one sparse representation is based on the codebook dictionary and a piece of channel information in the dataset.

[0014] With reference to the first aspect, in some implementations, the method further includes determining the at least one sparse representation.

[0015] With reference to the first aspect, in some implementations, the method further includes transmitting information indicating at least one of a subset of the codebook dictionary, a subset of the at least one sparse representation, and a part of the channel data model associated with status of a channel associated with a second network node or a location of the second network node.

[0016] With reference to the first aspect, in some implementations, the codebook dictionary or the channel data model is associated with a wireless network including a plurality of network nodes.

[0017] With reference to the first aspect, in some implementations, the method further includes the codebook dictionary or the channel data model is part of another codebook or another channel data model associated with a wireless network including a plurality of network nodes.

[0018] With reference to the first aspect, in some implementations, the method further includes updating at least one of the codebook dictionary, the at least one sparse representation, or the channel data model based on an update trigger, where the update trigger is associated with at least one of: status of a channel; a location; performance feedback; a new dataset; or a new codebook dictionary including one or more new codewords.

[0019] With reference to the first aspect, in some implementations, the updating includes at least one of: removing an existing codeword from the codebook dictionary; adding a new codeword to the codebook dictionary; removing a coefficient from the at least one sparse representation; or adding a coefficient to the at least one sparse representation.

[0020] With reference to the first aspect, in some implementations, the updating includes pre-processing the new dataset, one or more sparse representations associated with the new dataset, or the new codebook dictionary.

[0021] With reference to the first aspect, in some implementations, the pre-processing includes at least one of normalization, data cleaning, noise removing, out-of-distribution (OOD) detection, or redundancy detection.

[0022] With reference to the first aspect, in some implementations, the updating includes: updating both the codebook dictionary and the channel data model when the update trigger satisfies a first preconfigured condition; or updating the channel data model but not the codebook dictionary when the update trigger satisfies a second preconfigured condition.

[0023] With reference to the first aspect, in some implementations, the method further includes transmitting updated information that indicates at least one of the updated codebook dictionary or the updated channel data model.

[0024] With reference to the first aspect, in some implementations, the method further includes performing a task by using at least one of a plurality of machine learning models based on at least one of the codebook dictionary, the at least one sparse representation, or the channel data model.

[0025] With reference to the first aspect, in some implementations, the task includes at least one of channel prediction, channel state information compression, and resource allocation.

[0026] With reference to the first aspect, in some implementations, the plurality of machine learning models includes machine learning models deployed by different vendors.

[0027] With reference to the first aspect, in some implementations, the method further includes adjusting the at least one of the plurality of machine learning models when at least one of the codebook dictionary or the channel data model is updated.

[0028] According to a second aspect, a method is provided. The method includes transmitting a dataset, where the dataset includes at least first channel information indicating status of a channel associated with a network node; and receiving a codebook dictionary based on the dataset, where the codebook dictionary includes at least one codeword.

[0029] With reference to the second aspect, in some implementations, the method further includes determining a sparse representation based on second channel information and the codebook dictionary.

[0030] With reference to the second aspect, in some implementations, the method further includes transmitting an update trigger, where the update trigger is associated with at least one of: status of a channel; a location; performance feedback; a new dataset; or a new codebook dictionary including one or more new codewords.

[0031] With reference to the second aspect, in some implementations, the method further includes receiving an updated codebook dictionary based on the update trigger.

[0032] According to a third aspect, an apparatus is provided. The apparatus is configured to perform the method according to the first aspect or one or more implementations of the first aspect, or the second aspect or one or more implementations of the second aspect.

[0033] According to a fourth aspect, an apparatus is provided. The apparatus includes a processing unit configured to: obtain a dataset, where the dataset includes at least first channel information indicating status of a channel associated with a first network node; and obtain a codebook dictionary based on the dataset, where the codebook dictionary includes at least one codeword.

[0034] According to a fifth aspect, an apparatus is provided. The apparatus includes: a transmitting unit configured to transmit a dataset, where the dataset includes at least first channel information indicating status of a channel associated with a network node; and a receiving unit configured to receive a codebook dictionary based on the dataset, where the codebook dictionary includes at least one codeword.

[0035] According to a sixth aspect, an apparatus is provided. The apparatus includes: one or more processors; and an interface circuit configured to: obtain a dataset, where the dataset includes at least first channel information indicating status of a channel associated with a first network node; and obtain a codebook dictionary based on the dataset, where the codebook dictionary includes at least one codeword.

[0036] According to a seventh aspect, an apparatus is provided. The apparatus includes: one or more processors; and an interface circuit configured to: transmit a dataset, where the dataset includes at least first channel information indicating status of a channel associated with a network node; and receive a codebook dictionary based on the dataset, where the codebook dictionary includes at least one codeword.

[0037] With reference to the sixth aspect or the seventh aspect, in some implementations, the interface circuit includes one or more transceivers.

[0038] According to an eighth aspect, an apparatus is provided. The apparatus includes one or more processors and one or more memories. The one or more memories store instructions which, when executed by the one or more processors, cause the apparatus to perform the method according to the first aspect or one or more implementations of the first aspect, or the second aspect or one or more implementations of the second aspect.

[0039] According to a ninth aspect, a communication system is provided. The communication system includes a first apparatus configured to perform the method according to the first aspect or one or more implementations of the first aspect. The communication system further includes a second apparatus configured to perform the method according to the second aspect or one or more implementations of the second aspect.

[0040] According to a tenth aspect, a non-transitory computer-readable storage medium is provided. The non-transitory computer-readable storage medium has instructions stored thereon which, when executed by an apparatus, cause the apparatus to perform the method according to the first aspect or one or more implementations of the first aspect, or the second aspect or one or more implementations of the second aspect.

[0041] According to an eleventh aspect, a computer program product is provided. The computer program product stores instructions which, when executed, cause an apparatus to perform the method according to the first aspect or one or more implementations of the first aspect, or the second aspect or one or more implementations of the second aspect.

[0042] According to a twelfth aspect, a method is provided. The method includes receiving a first local codebook dictionary from a first network node; receiving a second local codebook dictionary from a second network node; and determining a codebook dictionary based on the first local codebook dictionary and the second local codebook dictionary.

[0043] With reference to the twelfth aspect, in some implementations, the first local codebook dictionary includes M codewords, the second local codebook dictionary includes N codewords, the codebook dictionary includes K codewords, M, N, and K are positive integers, and K ≤ M+N.

[0044] With reference to the twelfth aspect, in some implementations, the method further includes transmitting the codebook dictionary to the first network node and the second network node.

[0045] According to a thirteenth aspect, an apparatus is provided. The apparatus is configured to perform the method according to the twelfth aspect or one or more implementations of the twelfth aspect.

[0046] According to a fourteenth aspect, an apparatus is provided. The apparatus includes a receiving unit configured to receive a first local codebook dictionary from a first network node and receive a second local codebook dictionary from a second network node; and a processing unit configured to determine a codebook dictionary based on the first local codebook dictionary and the second local codebook dictionary.

[0047] According to a fifteenth aspect, an apparatus is provided. The apparatus includes: one or more processors; and an interface circuit configured to: receive a first local codebook dictionary from a first network node; and receive a second local codebook dictionary from a second network node.

[0048] With reference to the fifteenth aspect, in some implementations, the interface circuit includes one or more transceivers.

[0049] According to a sixteenth aspect, an apparatus is provided. The apparatus includes one or more processors and one or more memories. The one or more memories store instructions which, when executed by the one or more processors, cause the apparatus to perform the method according to the twelfth aspect or one or more implementations of the twelfth aspect.

[0050] According to a seventeenth aspect, a communication system is provided. The communication system includes an apparatus configured to perform the method according to the twelfth aspect or one or more implementations of the twelfth aspect.

[0051] According to an eighteenth aspect, a non-transitory computer-readable storage medium is provided. The non-transitory computer-readable storage medium has instructions stored thereon which, when executed by an apparatus, cause the apparatus to perform the method according to the twelfth aspect or one or more implementations of the twelfth aspect.

[0052] According to a nineteenth aspect, a computer program product is provided. The computer program product stores instructions which, when executed, cause an apparatus to perform the method according to the twelfth aspect or one or more implementations of the twelfth aspect.BRIEF DESCRIPTION OF THE DRAWINGS

[0053] FIG. 1 illustrates a schematic illustration of an example communication system.

[0054] FIG. 2 illustrates another example communication system.

[0055] FIG. 3 illustrates an example of an apparatus wirelessly communicating with another apparatus in a communication system.

[0056] FIG. 4 illustrates an example apparatus.

[0057] FIG. 5 illustrates another example apparatus.

[0058] FIG. 6 illustrates an example of a channel state information (CSI) compression / decompression procedure using two-side-models.

[0059] FIG. 7 illustrates an example of the generalized two-side artificial intelligence (AI)  / machine learning (ML) framework for AI / ML-based CSI feedback and compression.

[0060] FIG. 8 illustrates an example of demands and scalability issues caused by huge volume of data.

[0061] FIG. 9 illustrates an example of model complexity.

[0062] FIG. 10 illustrates an example of mismatch between training at a network side and training at user equipment (UE) side.

[0063] FIG. 11 illustrates an example of a data-centric AI / ML lifecycle management (LCM) framework.

[0064] FIG. 12 shows an example of the data-centric AI / ML LCM framework of FIG. 11 with core modules.

[0065] FIG. 13 illustrates an example of technical solutions.

[0066] FIG. 14 shows an example of codebook dictionary construction.

[0067] FIG. 15 illustrates an example of data-driven codebook dictionary construction approaches and dynamic updates.

[0068] FIG. 16 illustrates examples of component diagrams of centralized and distributed codebook dictionary construction.

[0069] FIG. 17 illustrates an example of codebook dictionary construction procedure.

[0070] FIG. 18 illustrates an example of a dynamic codebook update method.

[0071] FIG. 19 shows an example of a codebook dictionary generation process.

[0072] FIG. 20 illustrates an example codeword construction and updating method.

[0073] FIG. 21 illustrates an example global codebook dictionary construction method.

[0074] FIG. 22 illustrates an example codebook dictionary update method.

[0075] FIG. 23 shows an example interoperate procedure for different vendors.

[0076] FIG. 24 illustrates an example data compression and decompression method that uses a codebook dictionary as a unified reference.

[0077] FIG. 25 illustrates an example of aligned implementation and mapping of different AI models.

[0078] FIG. 26 shows an example of mapping between sub-codebook dictionaries and sparse space.

[0079] FIG. 27 shows an example of an alignment method for data compression and decompression.

[0080] FIG. 28 shows an example of a dynamic optimization and mapping update method throughout the lifecycle.

[0081] FIG. 29 shows an example of multi-vendor AI / ML model collaboration.

[0082] FIG. 30 illustrates an example of an adaptive deployment system.

[0083] FIG. 31 illustrates examples of working processes for the optimized model deployment, the real-time feedback mechanism, and the dynamic model selection of FIG. 30.

[0084] FIG. 32 illustrates a dynamic model selection process.

[0085] FIG. 33 shows an example of a dynamic model adjustment procedure.

[0086] FIG. 34 shows an example of an AI / ML Model adaptive deployment process.

[0087] FIG. 35 shows an example of a signaling exchange protocol.

[0088] FIG. 36 illustrates an example of a sparse data management system.

[0089] FIG. 37 shows an example of an efficient sparse data management method.

[0090] FIG. 38 shows an example of performing "model-of-data" technologies.

[0091] FIG. 39 shows an example of a data model transmission and signaling method.

[0092] FIG. 40 illustrates an example of a sparse data transmission method.

[0093] FIG. 41 shows an example for Gaussian Mixture Model (GMM) generation and transmission.

[0094] FIG. 42 illustrates an example for multi-task AI model support and dynamic optimization.

[0095] FIG. 43 illustrates an example of a multi-task AI model architecture.

[0096] FIG. 44 illustrates an example of task management and optimization throughout the lifecycle.

[0097] FIG. 45 illustrates an example of a dynamic optimization mechanism.DETAILED DESCRIPTION

[0098] In deploying various AI / ML models, a two-side model is a common approach in wireless communications. The "two-side model" refers to AI / ML models deployed separately at both the transmission end (e.g., user equipment) and the receiving end (e.g., base stations) of a wireless communication system. For example, in CSI feedback and compression, the AI / ML model (encoder) at the transmission end is responsible for compressing high-dimensional CSI data into low-dimensional codewords (also referred to as a representation of the CSI data) , while the AI / ML model (decoder) at the receiving end decompresses these low-dimensional codewords back into high-dimensional CSI data.

[0099] In the present disclosure, CSI or CSI data is also called channel information, which refers to channel properties of a wireless communication link or channel. The CSI or the channel information describes how a signal propagates from a transmitter to a receiver. For example, the CSI can include signal strength, delay, and Doppler shift of the wireless communication channel. In some implementations, the CSI can represent the combined effect of, for example, scattering, fading, and power decay with distance.

[0100] In some implementations, two-side AI / ML models are proposed in the form of black boxes. This means that the internal structure, algorithms, and parameters (e.g., neurons) of these AI / ML models are invisible from the outside. The application of the above mentioned two-side model in wireless communication systems faces several significant challenges, the most pressing of which are multi-vendor AI / ML model interoperability and adaptation of AI / ML models to dynamic environments.

[0101] Accordingly, in this disclosure, a data-driven AI / ML framework for wireless communication systems, shifting from traditional lifecycle management (LCM) approaches focused on AI / ML models to a data-centric LCM is provided. In summary, the method includes managing and optimizing channel data through a unified codebook dictionary. This paradigm ensures efficient processing, transmission, and utilization of sparse channel data while dynamically adapting AI models over time, optimizing performance for tasks such as CSI feedback, channel prediction, and beamforming.

[0102] The method includes one or more of the following aspects:

[0103] I. Data-Driven Codebook Dictionary Construction and Dynamic Updates:

[0104] In some implementations, a unified codebook dictionary can be built from real-world channel data (for example, 3rd generation partnership project (3GPP) channel data) , serving as a common sparse domain to which all AI models map channel data.

[0105] The data-centric LCM can continuously update the codebook dictionary in response to real-time channel conditions, ensuring that AI / ML models remain effective throughout their lifecycle.

[0106] The codebook dictionary can be constructed centrally or distributed across base stations (BS) and user equipment (UE) , supporting a constant flow of optimized, data-driven updates.

[0107] II. Ensuring AI Model Interoperability Based on Codebook Dictionary:

[0108] AI models from different vendors often face interoperability challenges due to differences in structure and training methods. The problem may be resolved by using the unified codebook dictionary as a shared reference for compressing and reconstructing channel data.

[0109] By centering the LCM on data rather than models, the framework may guarantee that AI / ML models, whether based on CNNs, transformers, or other architectures, map their output to a consistent sparse domain, ensuring model interoperability throughout the system’s lifecycle.

[0110] III. Location-Aware AI Model Adaptive Deployment:

[0111] The framework can dynamically select and deploy AI / ML models based on user location and real-time channel conditions, ensuring the system adapts to environmental changes by using AI models with appropriate complexity levels for each region.

[0112] In some implementations, this data-centric approach ensures that AI / ML models are optimized through continuous updates to the underlying data representations, extending their lifespan and adaptability without frequent retraining.

[0113] IV. Efficient Sparse Data Management Using Model-of-Data:

[0114] Instead of transmitting raw or compressed data, a model-of-data (e.g., Gaussian Mixture Model) can be used to describe the statistical properties of sparse channel data. In other words, the model-of-data can indicate a pattern associated with sparse representations of CSI (e.g., at least one sparse representation) . This model-of-data, combined with the codebook dictionary, can enable highly efficient data transmission and reconstruction at the receiver.

[0115] The model-of-data can also be referred to as a channel data model or data model in the present disclosure. Some examples of the model-of-data include a Gaussian Mixture Model (GMM) , a Markov chain, a Dynamic Mode Decomposition (DMD) , a variational autoencoder, etc. The GMM can refer to a probability distribution of a codeword index or a codeword combination. For example, the probability distribution of the codeword can be represented as a mixture of multiple Gaussian distributions. In some implementations, a Markov chain model is used to describe the time sequence correlation between codeword indices or codeword combinations. DMD can also be used to model the time, space, or frequency sequence correlation between codeword indices or codeword combinations. In some implementations, the model-of-data can include a variational autoencoder. The variational autoencoder can refer to a type of deep learning model used for unsupervised learning. The variational autoencoder is a probabilistic generative model that can extend traditional autoencoders by incorporating principles from Bayesian inference, which makes this model suitable for tasks involving dimensionality reduction and generation of new data that resembles a given dataset.

[0116] The receiving end can use the transmitted model-of-data and the codebook dictionary to regenerate high-quality data for downstream AI tasks like training or inference, minimizing the need for full data transmission.

[0117] In some implementations, this data-centric LCM reduces communication overhead while maintaining high data fidelity, allowing AI models to operate efficiently with minimal data transfer.

[0118] V. Multi-Task AI Model Support and Dynamic Optimization Throughout the Lifecycle:

[0119] The invention supports multi-task AI / ML models, enabling simultaneous handling of various tasks such as CSI feedback, channel prediction, and user positioning. The data-centric LCM can ensure seamless task transitions, driven by the same sparse data representation.

[0120] Over the lifecycle, the system can dynamically optimize AI / ML models by refining the underlying data structures. By continuously updating the codebook dictionary and adjusting model parameters based on real-time feedback, the system can maintain high efficiency without frequent retraining.

[0121] Task prioritization can be dynamically managed, allowing critical tasks to be prioritized for efficient resource use throughout the lifecycle.

[0122] This disclosure introduces a data-centric LCM framework, shifting the focus from model-centric LCM to optimizing and efficiently managing channel data. In some implementations, this approach ensures that AI / ML models remain effective throughout their lifecycle by continuously refining the underlying data representations rather than the models themselves. Some aspects may include at least one of the following:

[0123] Data-Driven Codebook Dictionary Management: The system revolves around the construction, updating, and management of the codebook dictionary. Changes in the channel environment trigger dynamic updates to the codebook dictionary, ensuring that data is efficiently represented and transmitted throughout the model lifecycle.

[0124] Adaptive Data Optimization: In some implementations, the framework can continuously monitor and adapt to changes in the channel environment, adjusting data representations in real time. This reduces the burden of constant model retraining, as data remains the central element for system adaptation.

[0125] Model-Agnostic: By focusing on data rather than models, the method can ensure that AI / ML models can be seamlessly integrated and updated across the system lifecycle without requiring vendor-specific retraining or customization.

[0126] In summary, this disclosure provides a data-centric LCM framework for wireless communication systems. By prioritizing the efficient handling and dynamic optimization of channel data, the described techniques allow AI / ML models to remain interoperable, adaptable, and efficient throughout their lifecycle without the need for constant retraining. In some implementations, this approach can improve the system performance, reduce overhead, and effectively address the challenges posed by dynamic environments in future networks.

[0127] FIG. 1 is a schematic illustration of an example communication system according to an implementation of the present disclosure, there is shown a communication system 100 that includes a radio access network (RAN) 120, one or more communication electronic devices (EDs) 110a, 110b, 110c, 110d, 110e, 110f, 110g, 110h, 110i, 110j (collectively referred to as 110) , a core network 130, a Public Switched Telephone Network (PSTN) 140, the Internet 150, and other networks 160. The RAN 120 may include, but is not limited to, a future generation RAN, or a legacy RAN such as, but not limited to, 5th generation (5G) , 4th generation (4G) , 3rd generation (3G) or 2nd generation (2G) radio access network. The RAN 120 may be, for example, an Evolved Universal Mobile Telecommunications System (UMTS) Terrestrial Radio Access Network (E-UTRAN) , a NextGen RAN (NG RAN) , or some other type of RAN. Examples of RAN 120 based on the evolution of telecommunications standards include, but is not limited to, GSM (Global System for Mobile Communications) and CDMA (Code Division Multiple Access) for 2G, UMTS (Universal Mobile Telecommunications System) based on WCDMA (Wideband Code Division Multiple Access) and CDMA2000 for 3G, LTE (Long-Term Evolution) and WiMAX (Worldwide Interoperability for Microwave Access) for 4G, and NR (New Radio) for 5G. In some implementations, the RAN 120 may use any radio access technology (RAT) in the wireless interface between the one or more EDs 110 and the RAN 120. In some implementations, the term “radio access” may refer to the future generation air interface standards which may include both terrestrial networks (TNs) and non-terrestrial networks (NTNs) . These networks will be described in greater detail below in conjunction with various implementations. The one or more communication EDs 110 (also referred to as “user equipment” ) are configured to connect (e.g., communicatively couple) with each other or to one or more network nodes 170a, 170b (collectively referred to as 170) in the RAN 120. The core network (CN) 130 is a part of the communication system 100 and includes network nodes (e.g., 170a, 170b) which provide support for the network features and telecommunication services. In some implementations, the CN 130 may be dependent on the RAT used in the communication system 100. In other implementations, the CN 130 may be access-agnostic, i.e., the CN 130 may be independent of the RAT used in the communication system 100. There are different types of CN 130, for different 3GPP system generations. For example, the CN 130 is the Evolved Packet Core (EPC) in 4G, also known as the Evolved Packet System (EPS) . In another example, the CN 130 is the 5G Core (5GC) which was developed as part of the 5G System (5GS) . The CN 130 also enables integration of different 3GPP and non-3GPP access types. In some implementations and referring to FIG. 1, the CN 130 also provides the interface towards external networks that may include the PSTN 140, the Internet 150, and other networks 160 in the communication system 100.

[0128] In general, the communication system 100 facilitates interaction between multiple wireless or wired elements. The communication system 100 may transmit different types of content, such as voice, data, video, and / or text, through different transmission methods such as, but not limited to, broadcast, multicast, groupcast, and unicast. Additionally, the communication system 100 operates by allocating and / or sharing resources, such as carrier spectrum bandwidth, among its constituent elements.

[0129] The communication system 100 may provide a wide range of communication services and applications including, but not limited to, Enhanced Mobile Broadband (eMBB) services, Ultra-Reliable Low-Latency Communication (URLLC) services, Massive Machine Type Communication (mMTC) services, Integrated Sensing And Communication (ISAC) , immersive communication, Ultra-massive Machine-Type Communication (uMTC) , hyper reliable and low-latency communication, ubiquitous connectivity, integrated AI and communication, and other services that can be provided by a future generation communication system. The communication system 100 may provide other services and applications such as, but not limited to, earth monitoring, remote sensing, passive sensing and positioning, navigation and tracking, autonomous delivery and mobility and the like.

[0130] The communication system 100 may include a terrestrial communication system (or network) and / or a non-terrestrial communication system (or network) . The communication system 100 may provide a high degree of availability and robustness through a joint operation of the terrestrial communication system and the non-terrestrial communication system. For example, integrating a non-terrestrial communication system (or components thereof) into a terrestrial communication system can result in a heterogeneous network comprising multiple layers. The heterogeneous network may achieve better overall performance through efficient multi-link joint operation, more flexible functionality sharing, and faster physical layer link switching between terrestrial networks and non-terrestrial networks. The terrestrial communication system and the non-terrestrial communication system could be considered as sub-systems of the communication system 100.

[0131] FIG. 2 illustrates another example communication system 100 according to an implementation of the present disclosure. The communication system 100 includes EDs 110a, 110b, 110c, 110d (collectively referred to as ED 110) , RANs 120a, 120b, one or more CNs 130, a PSTN 140, the Internet 150, and other networks 160. Additionally, the communication system 100 may also include a non-terrestrial network (NTN) 120c. The RANs 120a and120b may include network nodes 170a and 170b respectively. Examples of network nodes 170a, 170b include base stations, which can be generally referred to as terrestrial network (TN) devices or terrestrial transmit and receive points (T-TRPs) 170a and 170b (collectively referred to as 170) . In this context, the terms "TRP" and "base station" are used interchangeably unless otherwise specified. For simplicity, this disclosure primarily refers to network nodes as base stations; however, unless explicitly stated otherwise, references to TRP are considered non-limiting and interchangeable. The T-TRPs 170a, 170b may be base stations mounted on a building or tower. In one implementation, the NTN 120c includes a RAN node such as a base station 172, which may be generally referred to as an NTN device, a non-terrestrial node, a non-terrestrial network device, a non-terrestrial base station, or a non-terrestrial transmit and receive point (NT-TRP) 172.

[0132] In some implementations, the NT-TRP 172 is not attached to the ground, for example, as in the case of an airborne base station. An airborne base station may be implemented using communication equipment supported or carried by a flying device. For example, a flying device may include, but is not limited to, an airborne platform (such as a blimp or an airship) , balloon, drone (such as quadcopter) , and other types of aerial vehicles. In some implementations, an airborne base station may be supported or carried by an unmanned aerial system (UAS) or an unmanned aerial vehicle (UAV) , such as a drone. An airborne base station may be a moveable or mobile base station that can be flexibly deployed in different locations to meet network demand. A satellite base station is another example of a non-terrestrial base station. A satellite base station may be implemented using communication equipment supported or carried by a satellite. A satellite base station may also be referred to as an orbiting base station. High altitude platforms are yet another example of non-terrestrial base stations, including international mobile telecommunication base stations.

[0133] As referred to herein, and unless specified otherwise, a “TRP” may also refer to a T-TRP or an NT-TRP, a “T-TRP” may also refer to a “TN TRP” , and an “NT-TRP” may also refer to an “NTN TRP” . The NTN 120c may be considered a RAN, sharing operational aspects with RANs 120a, 120b. The NTN 120c may include at least one NTN device and at least one corresponding terrestrial network device. The at least one NTN device may function as a transport layer device and the at least one corresponding terrestrial network device may function as a RAN node, communicating with the ED 110 via the NTN device. Additionally, there may be an NTN gateway on the ground (referred to as a terrestrial network device) that also functions as a transport layer device facilitating communication with both the NTN device and the RAN node. The RAN node may communicate with the ED 110 via the NTN device and the NTN gateway. In some implementations, the NTN gateway and the RAN node may be located within the same device.

[0134] A base station 170 (also referred to as a TRP as stated above) is a network element within a radio access network responsible for radio transmission and reception in one or more cells to or from the ED (such as a user equipment) . In different implementations, the base station 170 may also be known as a base transceiver station (BTS) , a radio base station, a network node, a network device, a device on the network side, a transmit / receive node, a Node B, an evolved NodeB (eNodeB or eNB) , a Home eNodeB, a next Generation NodeB (gNB) , a transmission point (TP) , a site controller, an access point (AP) , a wireless router, a relay station, a terrestrial node, a terrestrial network device, a terrestrial base station, a non-terrestrial node, a non-terrestrial network device, a non-terrestrial base station, and a positioning node, among other possibilities. The base station 170 may be a macro base station (BS) , a pico BS, a relay node, a donor node, or combinations thereof. When the base station 170 performs (or is configured to perform) a method described herein, it may be interpreted as the base station itself, one or more modules (or units) in the base station, a circuit or chip, or a combination thereof, performing the method. For example, the circuit or chip may include a modem chip, also referred to as a baseband chip, a system on chip (SoC) including a modem core, a system in package (SIP) chip, and the like, and may be responsible for one or more communication functions within the base station.

[0135] The EDs 110a-110d and TRPs 170a-170b, 172 are examples of communication equipment configured to implement some or all of the operations and / or implementations described herein. The T-TRP 170a forms part of the RAN 120a, which may include other TRPs, and / or other devices. Also, the TRP 170b forms part of the RAN 120b, which may include other TRPs, and / or devices. Each TRP 170a, 170b may transmit and / or receive wireless signals within a particular geographic region or area, sometimes referred to as a “cell” or a “coverage area” . The TRPs 170a-170b may be responsible for allocating and / or configuring resources and transmission and / or reception in a set of cell (s) . A cell is a radio network object that can be uniquely identified by a cell identification that is broadcasted over a geographical region or area from base stations associated with the cell. A cell can work in either FDD or TDD mode. A cell may be further divided into cell sectors, and a base station 170a-170b may, for example, employ one or more transceivers to provide services to one or more sectors. Some implementations may include pico or femto cells if supported by the radio access technology. In some implementations, one or more transceivers could be used for each cell, such as with Multiple-Input Multiple-Output (MIMO) technology. The number of RANs 120a-120b shown is merely an example. Any number of RANs may be contemplated when designing the communication system 100.

[0136] A base station may be a single element, as shown in the figures, or multiple elements distributed throughout the corresponding RAN, or otherwise configured. In some implementations, a plurality of RAN nodes coordinate to assist the ED 110 in implementing radio access, and different RAN nodes separately implement and handle different functions of the base station. For example, the RAN node may be a central unit (CU) , a distributed unit (DU) , a CU-control plane (CP) , a CU-user plane (UP) , or a radio unit (RU) etc. The CU and the DU may be separately deployed, or included within the same element (i.e., a baseband unit (BBU) ) . The RU may be included in a radio frequency device or a radio frequency unit (i.e., a remote radio unit (RRU) , an active antenna unit (AAU) , or a remote radio head (RRH) ) . In different systems, the CU (or the CU-CP and the CU-UP) , the DU, or the RU may be known by different names, but their functions are understood by a person skilled in the art. For example, in an open radio access network (ORAN) system, a CU may be referred to as an open CU (O-CU) , a DU may be referred to as an open DU (O-DU) , and a CU-CP may be referred to as an open CU-CP (O-CU-CP) . The CU-UP may also be referred to as an open CU-UP (O-CU-UP) , and the RU may also be referred to as an open RU (O-RU) . Any one of the CU (or the CU-CP, or the CU-UP) , the DU, and the RU may be implemented using a software module, a hardware module, or a combination of a software module and a hardware module.

[0137] Furthermore, communication between different devices / apparatuses in various implementations of this disclosure may refer to direct communication (that is, without the need of forwarding by another device / apparatus) or may refer to communication (s) between different devices / apparatuses via another device / apparatus (that is, requiring forwarding by another device / apparatus) . Alternatively, such communication (s) may involve one functional unit inside a device / apparatus using another functional unit within the device / apparatus to communicate with another device / apparatus. In other words, phrases such as "sending (or transmitting) information to... (an ED or a base station) " in this disclosure may be understood as a destination endpoint of the information being an ED or a base station, including, sending / transmitting information directly or indirectly to an ED or a base station. Similarly, phrases like "receiving information from... (an ED or a base station) " may be understood as a source endpoint of the information being an ED or a base station, including directly or indirectly receiving information from an ED or a base station. Between the source endpoint that sends the information and the destination endpoint, necessary processing such as, but not limited to, format conversion, digital-to-analog conversion, amplification, and filtering may be performed on the information. However, the destination endpoint may understand valid information from the source endpoint. A similar understanding applies to other descriptions in this disclosure without reiterating details already described. In the present disclosure, the terms "send" and "transmit" may be used interchangeably in different implementations of this disclosure.

[0138] The ED 110 is used to connect people, objects, machines, and other entities. The ED 110 may be widely used in various scenarios including, but not limited to, cellular communications, device-to-device (D2D) , vehicle to everything (V2X) , peer-to-peer (P2P) , machine-to-machine (M2M) , MTC, internet of things (IoT) , virtual reality (VR) , augmented reality (AR) , mixed reality (MR) , metaverse, digital twin, industrial control, self-driving, remote medical, smart grid, smart furniture, smart office, smart wearable, smart transportation, smart city, drones, robots, remote sensing, passive sensing, positioning, navigation and tracking, and autonomous delivery and mobility.

[0139] Each ED 110 represents any suitable end user device for wireless operation and may include such devices (or may be referred to as, but not limited to) a user equipment (UE) or a user device or a terminal device, a wireless transmit / receive unit (WTRU) , a mobile station, a fixed or mobile subscriber unit, a cellular telephone, a station (STA) , an MTC device, a personal digital assistant (PDA) , a smartphone, a laptop, a computer, a tablet, a wireless sensor, a consumer electronics device, a smart book, a vehicle, a car, a truck, a bus, a train, or an IoT device, wearable devices (such as a watch, a pair of glasses, head mounted equipment, etc. ) , an industrial device, or an apparatus (such as a module, modem, or chip) in the foregoing devices, among other possibilities. Future generation EDs 110 may be referred to by other terms. When an ED 110 performs (or is configured to perform) a method described herein, it may be interpreted as the ED itself, one or more modules (or units) in the ED, a circuit or chip, or a combination thereof, performing the method. For example, the circuit or chip may include a modem chip, also referred to as a baseband chip, a system on chip (SoC) including a modem core, or a system in package (SIP) chip, and the like, and may be responsible for one or more communication functions in the ED.

[0140] Each ED 110 connected to TRPs 170a-170b, and / or TRPs 172 can be dynamically or semi-statically turned-on (i.e., established, activated, or enabled) , turned-off (i.e., released, deactivated, or disabled) and / or configured in response to one of more of:connection availability and connection necessity.

[0141] Any ED 110 may be alternatively or additionally configured to interface, access, or communicate with any of the TRPs 170a, 170b and 172, the Internet 150, the CN 130, the PSTN 140, the other networks 160, or any combination thereof. In some examples, the ED 110a may communicate an uplink (UL) and / or downlink (DL) transmission over a terrestrial air interface 190a with station-TRP 170a. In some examples, the EDs 110a, 110b, 110c, and 110d may also communicate directly with one another via one or more sidelink (SL) air interfaces 190b. In some examples, the EDs 110a, 110d may communicate using an UL and / or DL transmission over a non-terrestrial air interface 190c with NT-TRP 172.

[0142] An air interface (such as, for example, 190a, 190b, 190c) generally includes a number of components and associated parameters that collectively specify how a transmission is to be sent and / or received over a wireless communications link between two or more communicating devices such as EDs and base station (s) . For example, an air interface may include one or more components defining the waveform (s) , frame structure (s) , multiple access scheme (s) , protocol (s) , coding scheme (s) and / or modulation scheme (s) for conveying information (such as, data) over a wireless communications link. The air interfaces 190a and 190b may use similar communication technology, that may include any suitable radio access technology.

[0143] The non-terrestrial air interface 190c can enable communication between the EDs 110a, 110d and one or more NT-TRPs 172 via a wireless link or simply a link. In some examples, the link is a dedicated connection for unicast transmission, a connection for broadcast transmission, or a connection between a group of EDs 110 and one or more NT-TRPs 172 for multicast transmission.

[0144] The TRPs 170a-170b, 172 may communicate with one another over one or more air interfaces 190e, 190f using wireless communication links (such as radio frequency (RF) , microwave, infrared (IR) , etc. ) or wired communication links. The air interfaces 190e, 190f may utilize any suitable radio access technology, and may be substantially similar to the air interfaces 190a, 190c over which the EDs 110a-110d communicate with one or more of the TRP 170a-170b, 172 or they may be substantially different. For example, the communication system 100 may implement one or more channel access methods, such as Time Division Multiple Access (TDMA) , Frequency Division Multiple Access (FDMA) , Code Division Multiple Access (CDMA) , Single Carrier Frequency Division Multiple Access (SC-FDMA) , Low Density Signature Multicarrier Code Division Multiple Access (LDS-MC-CDMA) , Non-Orthogonal Multiple Access (NOMA) , Pattern Division Multiple Access (PDMA) , Lattice Partition Multiple Access (LPMA) , Resource Spread Multiple Access (RSMA) , and Sparse Code Multiple Access (SCMA) .

[0145] The RANs 120a and 120b are in communication with the CN 130 to provide the EDs 110a 110b, and 110c with various services such as voice, data, multimedia, and other services. The RANs 120a and 120b and / or the CN 130 may be in direct or indirect communication with one or more other RANs (not shown) , which may or may not be directly served by the CN 130, and may employ different radio access technologies from RAN 120a and / or RAN 120b. The CN 130 may also serve as a gateway access between (i) the RANs 120a and 120b and / or the EDs 110a 110b, and 110c, and (ii) other networks (such as the PSTN 140, the Internet 150, and the other networks 160) . In addition, some or all of the EDs 110a 110b, and 110c may include functionality for communicating with different wireless networks over different wireless links using different wireless technologies and / or protocols. For example, the EDs 110a 110b, and 110c communicate using different cellular communications protocols, such as, but not limited to, a Global System for Mobile Communications (GSM) protocol, a code-division multiple access (CDMA) network protocol, a Push-to-Talk (PTT) protocol, a PTT over Cellular (POC) protocol, a Universal Mobile Telecommunications System (UMTS) protocol, a 3GPP Long Term Evolution (LTE) protocol, a fifth generation (5G) protocol, a New Radio (NR) protocol, and the like. Instead of wireless communication (or in addition thereto) , the EDs 110a 110b, and 110c may communicate using wired communication channels to a service provider or switch (not shown) , and / or to the Internet 150. The PSTN 140 may include circuit switched telephone networks for providing plain old telephone service (POTS) . The Internet 150 may include a network of computers and subnets (intranets) or both, and incorporate protocols, such as internet protocol (IP) , transmission control protocol (TCP) , user datagram protocol (UDP) . EDs 110a 110b, and 110c may be multimode devices capable of operation according to multiple radio access technologies, and may incorporate one or more transceivers necessary to support such technologies and / or functions.

[0146] In addition, the communication system 100 may comprise a sensing agent (not shown) to manage the sensed data from ED 110 and / or any one of TRPs 170a, 170b, 172. In one implementation, the sensing agent may be part of any one of TRPs 170a, 170b, 172. In another implementation, the sensing agent is a separate node that can communicate with the CN 130 and / or the RAN 120 (such as any one of TRPs 170a, 170b, 172) .

[0147] FIG. 3 is a schematic illustration showing an apparatus 310 wirelessly communicating with another apparatus 320 within a communication system (e.g., the communication system 100) according to an implementation of the present disclosure. The apparatus 310 may be an electronic device (such as ED 110) . The apparatus 320 may be a network node (e.g., the network node 170) such as T-TRP 170 or an NT-TRP 172. Although only one apparatus 310, and one apparatus 320 are shown in the figure, the number of apparatus 310 and / or number of apparatus 320 can vary, potentially including one or more of each. For example, a single ED 110 may be served by a single T-TRP 170 (or a single NT-TRP 172) , or by multiple T-TRPs 170 (or multiple NT-TRPs 172) . Similarly, a single ED 110 may be served by one or more T-TRPs 170 and one or more NT-TRPs 172. Similarly, a single T-TRP 170 (or a single NT-TRP 172) may serve one or more EDs 110.

[0148] The apparatus 310 may include one or more processors 210. For clarity and to avoid overcrowding the illustration, only a single processor 210 is illustrated. The apparatus 310 may further include a transmitter 201 and a receiver 203 coupled to one or more antennas 204. For clarity, only a single antenna 204 is illustrated. One, some, or all of the antennas 204 may alternatively be panels. In some implementations, the transmitter 201 and the receiver 203 are separate from each other. In other implementations, the transmitter 201 and the receiver 203 may be integrated into a single unit, for example, as a transceiver. The transceiver is configured to modulate data or other content for transmission by the one or more antennas 204 or a network interface controller (NIC) . The transceiver may also be configured to demodulate data or other content received by the one or more antennas 204. A transceiver may include any suitable structure for generating signals for wireless or wired transmission and / or for processing signals received through wireless or wired communication. Each antenna 204 includes any suitable structure for transmitting and / or receiving wireless or wired signals. The apparatus 310 may include a memory 208. In some implementations, the apparatus 310 may include multiple memories 208. Only a single transmitter 201, receiver 203, processor 210, memory 208, and antenna 204 is illustrated for simplicity, but the apparatus 310 may include one or more other components. In some implementations of the present disclosure, the transceiver (or transmitter 201 and / or receiver 203) may be viewed as an interface circuit.

[0149] The memory 208 is configured to store instructions used to perform operations described herein. The memory 208 may also be configured to store data that is used, generated, or collected by the apparatus 310. For example, the memory 208 can store software instructions or modules configured to implement some or all of the functionalities and / or operations described herein and that which are executed by the one or more processors 210.

[0150] The apparatus 310 may further include one or more input / output devices (not shown) or interfaces. The input / output devices or interfaces facilitate interaction with a user or other devices in the network. Each input / output device or interface includes suitable components for facilitating transmission of information to a user and reception of information from a user, and for various network interface communications. Such components may include, but are not limited to, a speaker, microphone, keypad, keyboard, display, touch screen, and the like.

[0151] The processor 210 may be configured to perform (or control the apparatus 310 to perform) operations (or methods) described herein as being performed by the apparatus 310. For example, the processor 210 performs or controls the apparatus 310 to perform the operations of: a) receiving one or more transport blocks (TBs) , b) using a resource for decoding at least one of the received TBs, c) releasing the resource for decoding another of the received TBs, and / or d) receiving configuration information configuring a resource. Specifically, the operations may include tasks related to: preparing a transmission for UL transmission to the apparatus 320, processing DL transmissions received from the apparatus 320, and handling SL transmission to and from another apparatus 310. Processing operations related to preparing a transmission for UL transmission may include operations such as, but not limited to, encoding, modulating, transmit beamforming, and generating symbols for transmission. Processing operations related to processing DL transmissions may include operations such as, but not limited to, receive beamforming, demodulating and decoding received symbols. Processing operations related to processing SL transmissions may include operations such as, but not limited to, transmit / receive beamforming, modulating / demodulating and encoding / decoding symbols. Depending upon the implementation, a DL transmission may be received by the receiver 203, possibly using receive beamforming, and the processor 210 may extract signaling from the DL transmission (such as by detecting and / or decoding the signaling) . An example of signaling may be a reference signal transmitted by the apparatus 320. In some implementations, the processor 210 implements the transmit beamforming and / or the receive beamforming based on the indication of beam direction, such as beam angle information (BAI) , received from the apparatus 320. In some implementations, the processor 210 may be configured to perform operations relating to network access (such as initial access) and / or downlink synchronization, which includes operations for detecting a synchronization sequence, decoding and obtaining the system information, and the like. In some implementations, the processor 210 may perform channel estimation, such as using a reference signal received from the apparatus 320.

[0152] Although not illustrated, in some implementations, the processor 210 may either be a part of the transmitter 201 or a part of the receiver 203 or a part of both the transmitter 201 and the receiver 203. Although not illustrated, in some implementations, the memory 208 may be a part of the processor 210.

[0153] The processor 210, along with the processing components of the transmitter 201 and the receiver 203 may each be implemented by one or more processors that may the same or different. These processors are configured to execute instructions stored in a memory (such as in the memory 208) .

[0154] The apparatus 320 includes one or more processors 260 (only one processor 260 is illustrated) . The apparatus 320 may further include one or more transmitters 252 and one or more receivers 254 coupled to one or more antennas 256. Only a single antenna 256 is illustrated to avoid clutter in the illustration. One, some, or all of the antennas 256 may alternatively be panels. In some implementations, the transmitter 252 and the receiver 254 are separate from each other. In other implementations, the transmitter 252 and the receiver 254 may be integrated into a single unit such as, for example, as a transceiver. The apparatus 320 may further include a memory 258. In some implementations, the apparatus 320 may include multiple memories 258. The apparatus 320 may further include a scheduler 253. Only a single transmitter 252, receiver 254, processor 260, memory 258, antenna 256 and scheduler 253 are illustrated for simplicity, however the apparatus 320 may include one or more other components. In the present disclosure, in some implementations, the transceiver (or transmitter 252 and / or receiver254) may be viewed as an interface circuit.

[0155] In some implementations, various components of the apparatus 320 may be distributed. For example, some of the modules of the apparatus 320 may be located remotely from the equipment housing the antennas 256 for the apparatus 320 (and therefore can also be viewed as one or more nodes) . These modules, which can be considered as one or more nodes, may be coupled to the equipment that houses the antennas 256 over a communication link (not shown) , sometimes referred to as front haul, such as the Common Public Radio Interface (CPRI) . Therefore, in some implementations, the term apparatus 320 may also refer to network-side nodes that perform processing operations such as, but not limited to, determining the location of the apparatus 310, resource allocation (scheduling) , message generation, and encoding / decoding, and that which are not necessarily part of the equipment that houses the antennas 256 of the apparatus 320. The nodes may also be coupled to other apparatuses 320. In some implementations, the apparatus 320 may actually be a plurality of nodes that are operating together to serve the apparatus 310, such as through the use of coordinated multipoint transmissions, or through the use of an ORAN system as described above in the disclosure.

[0156] The processor 260 is configured to perform operations including those related to: preparing a transmission for DL transmission to the apparatus 310, processing an UL transmission received from the apparatus 310, preparing a transmission for backhaul transmission to another apparatus 320, and processing a transmission received over backhaul from another apparatus 320. Processing operations related to preparing a transmission for DL or backhaul transmission may include operations such as, but not limited to, encoding, modulating, precoding (such as MIMO precoding) , transmit beamforming, and generating symbols for transmission. Processing operations related to processing received transmissions in the UL or over backhaul may include operations such as, but not limited to, receive beamforming, demodulating received symbols, and decoding received symbols. The processor 260 may also be configured to perform operations relating to network access (such as initial access) and / or DL synchronization, such as generating the content of synchronization signal blocks (SSBs) , generating the system information, and the like. In some implementations, the processor 260 is further configured to generate an indication of beam direction, such as BAI, which may be scheduled for transmission by the scheduler 253 which will be described below. In some implementations, the processor 260 implements the transmit beamforming and / or receive beamforming based on beam direction information (such as BAI) received from another apparatus 320. The processor 260 is configured to perform other network side processing operations described herein, such as, but not limited to, determining the location of the apparatus 310, determining where to deploy another apparatus 320, and the like. In some implementations, the processor 260 may generate signaling data, to configure one or more parameters of the apparatus 310 and / or one or more parameters of another apparatus 320. Any signaling data generated by the processor 260 is sent by the transmitter 252. In some implementations, the apparatus 320 implements physical layer processing. In some implementations, the apparatus 320 may perform higher layer functions such as those at the Medium Access Control (MAC) or Radio Link Control (RLC) layers in addition to physical layer processing. In the apparatus 320, the scheduler 253 may be coupled to the processor 260 or integrated within the processor 260. In some implementations, the scheduler 253 may be integrated within the apparatus 320 or may be operated separately from the apparatus 320. The scheduler 253 may schedule UL, DL, SL, and / or backhaul transmissions, including issuing scheduling grants and / or configuring scheduling-free (such as “configured grant” ) resources.

[0157] The apparatus 320 may further include a memory 258 that is configured to store instructions for performing the operations described herein. The memory 258 may also store data that is used, generated, or collected by the apparatus 320. For example, the memory 258 can store software instructions or modules configured to implement some or all of the functionalities and / or implementations described herein and that which are executed by the processor 260.

[0158] Although not illustrated, the processor 260 may be implemented as part of the transmitter 252 and / or a part of the receiver 254. Although not illustrated, in some implementations, the processor 260 may implement the scheduler 253 and the memory 258 may be implemented as part of the processor 260.

[0159] The processor 260, the scheduler 253, the processing components of the transmitter 252, and the processing components of the receiver 254 may each be implemented by the same or different processors that are configured to execute instructions stored in a memory, such as in the memory 258.

[0160] The apparatus 320 and / or the apparatus 310 may include other components, not shown or described herein for the sake of clarity.

[0161] Note that the term “signaling” , as used herein, may alternatively be referred to as control signaling, control message, control information, or message for simplicity. Signaling between a base station (such as the TRP 170a. 170b, 172) and a UE or sensing device (such as ED 110) , or signaling between a different UE or sensing device (such as between ED 110a and ED 110b) may be carried in physical layer signaling (also called as dynamic signaling) , which is transmitted in a physical layer control channel. For DL, the physical layer signaling may be known as downlink control information (DCI) which is transmitted in a physical downlink control channel (PDCCH) . For UL, the physical layer signaling may be known as uplink control information (UCI) which is transmitted in a physical uplink control channel (PUCCH) . For SL, signaling between different UEs or sensing devices (such as between ED 110a and ED 110b) may be known as SL control information (SCI) which is transmitted in a physical sidelink control channel (PSCCH) . Signaling may be carried in a higher layer (such as higher than physical layer) signaling, which is transmitted in a physical layer data channel, such as in a physical downlink shared channel (PDSCH) for downlink signaling, in a physical uplink shared channel (PUSCH) for uplink signaling, and in a physical sidelink shared channel (PSSCH) for SL signaling. Higher layer signaling may also be called static signaling, or semi-static signaling. The higher layer signaling may include radio resource control (RRC) protocol signaling or media access control -control element (MAC-CE) signaling. Signaling may be included in a combination of physical layer signaling and higher layer signaling.

[0162] It should be noted that in the present disclosure, “information” , when different from “message” , may be carried within a single message, or may be carried in multiple separate messages.

[0163] FIG. 4 illustrates an example apparatus 410 according to an implementation of the present disclosure. The apparatus 410 may be a communication device or an apparatus implemented in a communication device such as the ED 110 or the TRPs 170a, 170b, 172. For example, the apparatus 410 implemented in an ED may be an integrated circuit, which in some instances may be referred to as a chip, a modem, a modem chip, a baseband chip, or a baseband processor. In some implementations, one or more integrated circuits can be packaged into a system-on-chip, a system-in-package, or a multi-chip module. The apparatus 410 can include one or more integrated circuits and other discrete components. In some implementations, the apparatus 410 may be a module within the ED 110, or within the apparatus 310. In some implementations, the apparatus 410 may be a module within one of the TRPs 170a, 170b, 172, or the apparatus 320.

[0164] In an example, the apparatus 410 may include one or more processors / processor cores 411, and an interface circuit 412. The apparatus 410 may further include a memory 413. The one or more processors 411 are configured to process signals and execute one or more communication protocols. The memory 413 is configured to store at least a part of the corresponding computer program instructions and / or data. In an example, the one or more processors 411 execute the computer program instructions stored in the memory 413 to implement related operations (for example, inputting, outputting, receiving, and transmitting) in the method implementations disclosed herein. In some implementations, the memory 413 being configured to store the corresponding computer program instructions and / or data may mean that the memory 413 is configured to store all of the corresponding computer program instructions and / or data for execution by the one or more processors 411. In some implementations, the memory 413 being configured to store the corresponding computer program instructions and / or data may mean that the memory 413 is configured to store a part of the corresponding computer program instructions and / or data. For example, the part of the corresponding computer program instructions and / or data may include computer program instructions and / or data that need to be currently executed by the one or more processors 411. Thus, the memory 413 may store different parts of computer program instructions and / or data for a plurality of times for the one or more processors 411 to perform related operations in the method implementations disclosed herein. As a communication interface, the interface circuit 412 is configured to implement communication with another component. For example, the interface circuit 412 may communicate a signal with another apparatus or system, such as a radio frequency processing apparatus or another processor. The signal may include or carry information intended as a payload, such as user data, control information, etc. The signal may also include or carry information useful to a receiver, but not necessarily as a payload, such as a pilot signal or reference signal. Communicating the signal may include transmitting the signal to another component or device. Communicating the signal may additionally or alternatively include receiving the signal from another component or device. Transmitting the signal may include outputting the signal to a component or device that is directly or indirectly coupled to the interface circuit 412. Receiving the signal may include inputting or obtaining the signal from a component or device that is directly or indirectly coupled to the interface circuit 412. In some implementations, to reduce a load of the one or more processors, a baseband signal processing circuit 414 may be also disposed to implement processing of at least a part of baseband signals, including signal demodulation, modulation, encoding, decoding, or the like.

[0165] The apparatus 410 may be the processor 210 (or 260) within the apparatus 310 (or 320) , in some scenarios, or may be included within the processor 210 (or 260) within the apparatus 310 (or 320) in some scenarios. The apparatus 410 may be a baseband chip or may include a baseband chip. In some implementations, the apparatus 410 may be independently packaged into a chip. In some implementations, the apparatus 310 (or 320) includes different types of chips. The apparatus 410 may be packaged into a processor chip (for example, an SoC chip or an SIP chip) with the different types of chips. In some implementations, the apparatus 410 may be packaged into a chip with some or all of circuits of a radio frequency processing system that may further be included in the apparatus 310 (or 320) .

[0166] FIG. 5 illustrates an example apparatus 510 according to an implementation of the present disclosure. The apparatus 510 may include corresponding modules or units configured to implement methods and / or implementations described herein. In some implementations, the apparatus 510 includes a processing unit 512 and a communication unit 513. In some implementations, the apparatus 510 may further include a storage unit 511 configured to store apparatus program code (or instructions) and / or data.

[0167] The apparatus 510 may be an ED side apparatus, for example, an ED or a module in an ED, or a circuit or a chip responsible for a communication function in an ED. In some implementations, apparatus 510 may be the apparatus 310. The processing unit 512 may be the processor 210. The communication unit 513 may comprise a receiving unit and / or a transmitting unit. The receiving unit and / or the transmitting unit may be the transmitter 201 and / or the receiver 203 respectively. The storage unit 511 may be the memory 208.

[0168] The apparatus 510 may be a base station side apparatus, for example, a base station or a module in a base station, or a circuit or a chip responsible for a communication function in a base station. In some implementations, apparatus 510 may be apparatus 320. The processing unit 512 may be the processor 260 (the scheduler 253 may also be included) . The communication unit 513 may comprise a receiving unit and / or a transmitting unit. The receiving unit and / or the transmitting unit may be the transmitter 252 and / or the receiver 254 respectively. The storage unit 511 may be the memory 258.

[0169] In some implementations, when the apparatus 510 is an ED 110 or a module in an ED 110, a function of the apparatus 510 may be implemented by one or more processors. Specifically, the processor may include a modem chip, or a system on chip (SoC) chip or an SIP chip that includes a modem core. A function of the communication unit 513 may be implemented by a transceiver circuit.

[0170] In some implementations, when the apparatus 510 is a circuit or a chip that is responsible for a communication function in an ED 110, such as a modem chip, a system on chip (SoC) chip or an SIP chip that includes a modem core, a function of the processing unit 512 may be implemented by a circuit system within the chip which includes one or more processors. A function of the communication unit 513 may be implemented by an interface circuit or a data transceiver circuit on the chip.

[0171] It may be understood that the units in the apparatus 510 may be logical or functional. Each function may correspond to one functional unit, or two or more functions may be integrated into a single functional unit. In actual implementation, all or some of the units may be integrated into a single physical entity, or may be distributed across different physical entities. In addition, the functional units may be implemented in the form of hardware, software, or a combination of hardware and software. Whether a function is implemented in the form of hardware or software depends on particular applications and design constraint conditions of the technical solutions. A person skilled in the art may use different methods to implement the described functions for specific applications, but it should not be considered that the implementation goes beyond the scope of this disclosure.

[0172] In an example, a functional unit in any one of the apparatuses may be configured as one or more integrated circuits for implementing the methods disclosed herein, for example, as one or more application-specific integrated circuits (application-specific integrated circuits, ASICs) , one or more central processing units (CPUs) , one or more microprocessors or microprocessor units (MPUs) , one or more microcontrollers or microcontroller units (MCUs) , one or more digital signal processors (DSPs) , one or more field programmable gate arrays (FPGAs) , or a combination of these.

[0173] In an example, the storage unit 511 may include a random access memory, a flash memory, a read-only memory, a programmable read-only memory, an electrically erasable programmable memory, and / or a register.

[0174] A processor may be referred to as a processor system, an application processor, a baseband processor, a processor circuit, or a processor core. The processor may include one or a combination of one or more central processing units (CPUs) , one or more digital signal processors (DSPs) , one or more microprocessors (microprocessor units, MPUs) , one or more microcontrollers (microcontroller units, MCUs) , one or more graphics processing units (GPUs) , one or more field programmable gate arrays (FPGAs) , one or more artificial intelligence processors (AI processors) , or one or more neural network processing units (NPUs) .

[0175] Memory or a storage unit may include one or more of the following storage media: a random access memory (RAM) , a static random access memory (static RAM, SRAM) , a dynamic random access memory (dynamic RAM, DRAM) , a phase-change memory (PCM) , a resistive random access memory (resistive RAM, ReRAM) , a magnetoresistive random access memory (magnetoresistive RAM, MRAM) , a ferroelectric random access memory (ferroelectric RAM, FRAM) , a cache, a register, a read-only memory (ROM) , a flash memory (flash memory) , an erasable programmable read-only memory (erasable programmable ROM, EPROM) , a hard disk, and the like. In an example, computer program instructions used to execute implementations may be stored in a non-volatile memory, for example, at least a part of a memory or storage unit (for example, one or more of a ROM, a flash memory, an EPROM, or a hard disk) . When a terminal runs, a part or all of corresponding computer program instructions may be loaded to a memory that has a higher transmission speed with the processor, for example, at least a part of a memory or a storage unit (for example, one or more of a RAM, an SRAM, a DRAM, a PCM, a RERAM, an MRAM, a FRAM, a cache, or a register) , so that the processor executes the computer program instructions to perform the steps in the method implementations disclosed herein.

[0176] As mentioned above, there are some issues and challenges for some implementations of the two-side-models:

[0177] 1. Multi-vendor AI / ML Model Interoperability Issues

[0178] FIG. 6 illustrates an example of a CSI compression / decompression procedure using two-side-models. In some implementations, as shown in FIG. 6, AI / ML models developed by different vendors often employ different algorithms, architectures, and training datasets. In a communication system, AI / ML models trained by different vendors are typically deployed at the transmission and reception ends, creating black-box two-side models for each other. This leads to interoperability issues, often referred to as “model islands, ” which obstruct the widespread application of AI / ML technologies in wireless communication systems. For example, as shown in FIG. 6, a UE may use Vendor A's AI / ML model for CSI feedback compression (i.e., CSI encoding) , while the base station may rely on Vendor B's AI / ML model for CSI decoding. Due to the absence of a unified interface or specification, communication errors or performance degradation may occur. Specifically, the interoperability problems of existing AI / ML models arise from the following factors:

[0179] Model structure differences: Vendors may use different neural network architectures, such as convolutional neural networks (CNNs) , recurrent neural networks (RNNs) , or transformers.

[0180] Training data differences: AI / ML models from different vendors may be trained on varying datasets, leading to different responses to the same input data.

[0181] Model parameter differences: Even if the AI / ML models share the same architecture and dataset, training processes may result in different model parameters, causing inconsistencies in performance and behavior.

[0182] Lack of standardized interfaces: Existing wireless communication standards, such as those provided by 3GPP, may not offer clear definitions for AI / ML model interfaces, making it difficult for models from different vendors to interoperate.

[0183] To address these issues, in some implementations, a generalized two-side AI / ML framework for AI / ML-based CSI feedback and compression is provided. FIG. 7 illustrates an example of the generalized two-side AI / ML framework for AI / ML-based CSI feedback and compression. However, despite the use of common datasets, significant challenges remain:

[0184] Black-box interoperability: Since the encoder and decoder are developed independently by different vendors, their internal parameters and structures remain hidden. This makes it difficult to ensure that the decoder can accurately reconstruct the codewords generated by the encoder, leading to communication errors or performance degradation. While current solutions, such as those based on AutoEncoder models, attempt to address this by training on the same data, the inherent non-linear factors of deep learning may still lead to discrepancies between the two models, preventing a full solution to the black-box problem.

[0185] Non-linear training challenges: Deep learning models are often trained using stochastic gradient descent (SGD) algorithms, which introduce non-linearities. Even when models share the same architecture and dataset, slight variations in the training process-such as parameter initialization, data batch order, learning rate, and rounding errors-are amplified during training, resulting in diverging models and further exacerbating interoperability issues.

[0186] Channel scale impact: As the dimensions of the channel increase, differences between models are further magnified, worsening the interoperability problem.

[0187] Other non-linearities: Factors such as activation functions, model complexity, and non-uniform data distribution contribute to training discrepancies between vendors.

[0188] In addition to interoperability concerns, there are significant data-related challenges. FIG. 8 illustrates an example of demands and scalability issues caused by huge volume of data.

[0189] High-volume data demands: As shown in FIG. 8, training AI / ML models may require vast amounts of channel data, which can be difficult and costly to obtain. As systems scale toward future networks (for example, 5.5G and future networks) , the dimensionality and volume of channel data increase dramatically, making data collection and labeling more expensive. For example, as shown in FIG. 8, the data volume in the central database in 3GPP R20 may be at least 1000 multiple of that in 3GPP R19. Current methods rely on large-scale simulations, but simulated data cannot fully capture the complexity and dynamics of real-world channels, leading to limited generalization of the AI / ML models.

[0190] Data cleaning: Real-world channel data often includes noise, interference, and anomalies. Cleaning or even labeling this data requires substantial time and labor, and maintaining data consistency and accuracy is challenging, which impacts the quality and efficiency of AI / ML model training.

[0191] Data redundancy and compression: Channel data exhibits spatial and temporal correlations, leading to redundancy. For instance, neighboring base stations may collect similar channel data. Effective redundancy detection and removal is necessary to improve model efficiency.

[0192] Data sharing and exchanging: Obstacles to sharing channel data across vendors hinder the creation of unified, high-quality training datasets for AI / ML models, limiting the potential for robust model training.

[0193] 3. Model Complexity and Deployment Challenges

[0194] FIG. 9 illustrates an example of model complexity, which can increase with a size of data dimensionality.

[0195] Model complexity: Existing AI / ML solutions rely on complex deep learning models, which require significant computational resources. For example, as shown in FIG. 9, as a channel matrix v becomes larger in size, a size of an input to AI / ML models such as an encoder (ENC) and a decoder (DEC) also increases proportionally, leading to a geometric scaling of the overall model complexity. These models can be difficult to deploy on devices with limited resources, such as user equipment with constrained battery life and processing power, hindering real-time execution.

[0196] Resource bottlenecks: The computing and storage demands of large AI models scale rapidly, and the available resources at user devices or base stations are insufficient to meet these demands. This leads to reduced communication efficiency and difficulty in achieving real-time inference.

[0197] Lack of theoretical guarantees: Current AI / ML design relies heavily on empirical results, without clear theoretical guarantees for interoperability across vendors. FIG. 10 illustrates an example of mismatch between training at the network side and training at the UE side. As shown in FIG. 10, non-linear optimization (such as SGD) may have difficulty guaranteeing the exact matching between two optimizations because differences between trained points may lead to interoperability issues. The interoperability issue can make it challenging to ensure that AI / ML models work consistently in various channel environments. Furthermore, many AI / ML models lack explainability, complicating efforts to diagnose and resolve model failures.

[0198] 4. AI / ML Model Adaptation in Dynamic Channel Environments

[0199] Wireless communication environments can be highly dynamic, influenced by user mobility, location, and the surrounding environment. Some AI / ML deployment solutions are static, meaning that all user devices rely on the same AI / ML model regardless of the current environment. However, a static model may not adapt to a dynamic environment. For example, using a complex model in a simple channel environment wastes resources, while a simple model in a complex environment may fail to meet performance requirements.

[0200] The above solution of a static model has several shortcomings in terms of adaptation:

[0201] Lack of environment awareness: Current AI / ML model deployment strategies may not detect changes in the channel environment or adjust accordingly.

[0202] Limited model selection strategies: Existing strategies may rely on basic parameters such as signal strength and user density, without fully leveraging channel information to optimize model selection.

[0203] Rigid deployment: Current solutions typically fix the AI / ML model to either the base station or user device, lacking flexibility to adapt the model based on time and spatial changes in the channel environment.

[0204] Difficulties in frequent fine-tuning and updates: Frequent retraining and updating of AI / ML models would be ideal to cope with the dynamic nature of wireless channels, but data collection and labeling are costly, and model training is resource-intensive. This makes frequent updates impractical, particularly for devices with limited resources.

[0205] 5. Limitations of Existing Lifecycle Management (LCM) Solutions

[0206] The existing AI / ML lifecycle management (LCM) framework faces considerable challenges in dealing with dynamic channel environments and the management of large-scale 3GPP channel data. In some implementations, the core issue lies in the handling of massive amounts of dynamic 3GPP channel data, which presents severe challenges to both data storage and processing. Specifically, the current approach can be hindered by:

[0207] Massive data storage: 3GPP channel data includes vast amounts of real-time communication data between user equipment and base stations, along with numerous parameters such as frequency, bandwidth, delay, fading, and power. In further networks, due to higher bandwidth, more antennas, and denser network deployment, the scale of CSI data can reach hundreds of gigabytes per second, far exceeding the capacity of traditional centralized storage solutions.

[0208] Data cleaning: Noise and interference in collected data make it difficult to achieve clean and consistent data, which is essential for high-quality AI / ML model training.

[0209] Data redundancy: Temporal and spatial correlations within channel data lead to redundancy, which must be addressed to reduce the burden of storage and transmission.

[0210] Outlier (OOD, out-of-distribution) detection: AI / ML training data must be carefully monitored for abnormal data caused by device malfunctions or environmental changes.

[0211] Data convergence: Channel data from different user devices, base stations, and time periods must be integrated to form a comprehensive view of the channel environment.

[0212] 6. Weaknesses in Current Model Design and Deployment Strategies

[0213] Lack of flexibility: Existing deployment strategies may lack the ability to dynamically adjust model complexity or location based on real-time conditions.

[0214] Data scale bottleneck: In some implementations, the scale of channel data processed during inference poses significant challenges, particularly for real-time applications like URLLC, where delays in processing large datasets can lead to performance degradation.

[0215] Limited scalability: Current solutions can be focused on specific use cases, such as CSI feedback, and do not consider broader applications of AI / ML models in wireless communication systems, such as multi-task learning and model reuse across different tasks.

[0216] In summary, existing solutions can be heavily model-centric and fail to fully exploit the characteristics of 3GPP channel data. This may lead to inefficiencies and limitations in the development and deployment of AI / ML models in wireless communication systems. There is a need for a data-centric AI / ML framework that prioritizes channel data as a core asset, driving model design, training, and deployment based on a deeper understanding of the data. By analyzing channel characteristics, constructing codebook dictionaries, and adapting AI / ML models to dynamic environments, the proposed framework can deliver more efficient, reliable, and scalable AI / ML solutions for future wireless systems.

[0217] 1. Application Scope of 3GPP Channel Data and AI / ML Models

[0218] Firstly, the scope and terminology of the data and AI / ML models is defined as an example. The data referred to is specific to 3GPP, particularly focusing on channel-related data. This data can originate as raw channel estimation results or after undergoing various transformations, such as from time domain to frequency domain or to delay or spatial domains. Regardless of the transformation, this data remains closely associated with the channel. Some characteristics of this 3GPP-related data (3GPP channel data) include:

[0219] Large Data Volume: 3GPP channel data is vast, encompassing real-time communication statuses between user equipment and base stations. It includes various parameters like frequency, bandwidth, delay, fading, and power, all of which generate large-scale, continuously changing data streams.

[0220] Spatiotemporal Correlation: Data collected from close locations may be highly spatially correlated. Additionally, channel data, especially when impacted by user movement, tends to have temporal relationships due to the dynamic nature of channels.

[0221] Noise and Interference: Channel data often contains noise and interference, which needs to be addressed during processing.

[0222] Normalization for Data Consistency: After preprocessing and normalization, 3GPP-related data is more consistent compared to non-3GPP data, such as images, audio, or video. This consistency stems from the data being sourced from terminal devices and network equipment.

[0223] Single Source: The primary sources of 3GPP data are user equipment and network devices, typically from measurement results of these devices.

[0224] It should be understood that although the 3GPP data is used as a reference, it shall not limit the scope of the data. For example, the data may be specific to a WiFi channel, or the data may be specific to another wireless communication channel.

[0225] The AI / ML models discussed in this disclosure apply to various downstream tasks in wireless communication systems, including CSI feedback, channel prediction, beamforming, and resource allocation. These tasks may be performed by different vendors, each utilizing models of varying sizes, structures, and training methodologies. While vendors may use the same datasets, they deploy their models based on specific needs and capabilities.

[0226] To illustrate how the method in this disclosure addresses related challenges, the CSI compression and decompression processes will be taken as a representative example in the following sections.

[0227] 2. 3GPP Data-Centric Lifecycle Management (LCM)

[0228] To overcome the limitations of existing model-centric solutions, a data-centric AI / ML LCM framework is introduced in this disclosure. FIG. 11 illustrates an example of the data-centric AI / ML LCM framework. This framework treats 3GPP channel data (e.g., data set as shown in FIG. 11) as a core asset, guiding model design, training, and deployment. In some implementations, by prioritizing channel data analysis, channel characteristics are extracted, a codebook dictionary is constructed, and AI / ML models are dynamically selected and deployed based on changes in channel data. This approach enables efficient, flexible, reliable, and scalable AI / ML applications in wireless communication.

[0229] In contrast to approaches that focus on the AI / ML model itself, this framework emphasizes the unique characteristics of channel data, such as spatiotemporal correlation and sparsity. By using these inherent properties, the data-driven feature extraction enables codebook dictionaries to dynamically adapt to different channel environments, optimizing data compression and minimizing storage and transmission requirements. FIG. 12 shows an example of the data-centric AI / ML LCM framework of FIG. 11 with core modules. As shown in FIG. 12, the data-centric AI / ML LCM framework can include at least four modules for the framework and related procedures of the framework. Some examples of the four modules are described below.

[0230] Data Preprocessing Module: Responsible for cleaning and normalizing channel data, removing noise, and detecting out-of-distribution (OOD) data, ensuring high-quality data for subsequent training and deployment.

[0231] Codebook Dictionary Generation Module: Constructs and optimizes codebook dictionaries based on sparse representations, allowing data from different environments to be compressed and decoded using a unified dictionary, reducing the computational load of models.

[0232] Dynamic Model Selection and Deployment Module: Adapts model deployment strategies in real time based on changes in channel data, ensuring optimal system performance with minimal resource consumption.

[0233] Data Management Module: Handles data storage, transmission, and generation throughout the lifecycle, maintaining system efficiency and adaptability.

[0234] As shown in FIG. 12, this disclosure is not limited to a single AI / ML application. Rather, 3GPP channel data is viewed as a valuable information source for a wide range of AI tasks. It can be applied to both AI for Net (AI models optimizing network performance, AI4Net) and Net for AI (using network data for non-communication tasks, Net4AI) .

[0235] AI for Net: AI / ML technologies are applied to improve the performance and efficiency of wireless communication systems, such as in CSI feedback, channel prediction, beamforming, and resource allocation.

[0236] Net for AI: Channel data collected from the wireless communication system is used for non-communication tasks, such as traffic management, environmental monitoring, and smart city applications.

[0237] The distinction between AI for Net and Net for AI is not always clear-cut, as certain tasks may serve both communication and non-communication fields. For example, an AI / ML model trained using channel data may predict a user’s location and movement trajectory. This prediction can be used to optimize network resource allocation (AI for Net) while also enabling location-based services (Net for AI) .

[0238] Future AI / ML models may combine 3GPP channel data with other data sources (e.g., sensor, image, or text data) to handle even more complex tasks, whether related to communication or not.

[0239] 3. Characteristics of 3GPP Channel Data

[0240] 3GPP channel data, particularly channel state information (CSI) , has several characteristics that make it highly compressible and suitable for AI modeling, while also presenting unique challenges.

[0241] - Compressibility: Wireless channels are not entirely random. Their behavior is governed by physical laws and environmental factors, leading to inherent redundancy and correlations in the data.

[0242] Spatial Correlation: Channel data between user equipment and base stations located close to each other tends to be similar.

[0243] Temporal Correlation: Channel state information changes gradually over short periods, meaning that data collected at adjacent time points is strongly correlated.

[0244] Sparsity: In specific transform domains (e.g., the delay or angle domain) , channel data is often sparse, with most data values being zero or near zero. This property allows for efficient compression, which reduces storage and transmission burdens.

[0245] These characteristics arise from the propagation properties of wireless channels, which are described by Maxwell’s equations-a set of partial differential equations (PDEs) . PDE solutions are typically smooth and regular, meaning that changes in CSI follow predictable physical laws rather than occurring randomly. As a result, channel data can be effectively compressed by transforming high-dimensional data into lower-dimensional representations, such as codewords or feature vectors. This reduces storage, transmission, and processing costs.

[0246] - Environmental Dependency: Channel data depends heavily on the location, movement, and surrounding environment of the device. For instance, in urban environments, channels are more complex due to multipath effects, whereas in open areas, they are simpler. This implies that different environments require distinct codebook dictionaries or AI / ML models for effective data processing.

[0247] - Low Diversity: Compared to non-3GPP data, such as images or text, channel data has lower diversity. After normalization, the structure of 3GPP data is more uniform, making it an ideal candidate for constructing codebook dictionaries, which enable AI models to adapt more accurately to specific channel environments.

[0248] The following Table I summarizes some differences between 3GPP channel data and general AI big model training data, such as images or text. Table I

[0249] These differences highlight the unique characteristics of 3GPP channel data and explain why traditional AI model training and deployment methods cannot be directly applied to wireless communication systems.

[0250] 4. Main Technical Solutions

[0251] FIG. 13 illustrates an example of technical solutions. As shown in FIG. 13, the possible solutions proposed in this disclosure include Data-Driven Codebook Dictionary Construction and Dynamic Updates, Codebook Dictionary Based AI / ML Model Interoperability, Adaptive AI / ML Model Deployment, Efficient Management of Sparse Data, and Multi-Task AI Model Support and Dynamic Optimization.

[0252] In the following paragraphs, the possible solutions will be described one by one.

[0253] 4.1 Data-Driven Codebook Dictionary Construction and Dynamic Updates

[0254] The disclosure introduces a data-centric method for constructing and dynamically updating codebook dictionaries. By deeply mining and processing channel data in real-time, it facilitates an efficient and flexible codebook generation and maintenance process within wireless communication systems. This solution is applicable to both centralized base station deployments and distributed systems. The disclosure ensures optimal model performance under varying channel conditions by implementing a flexible update mechanism. In some implementations, the present disclosure significantly improves system adaptability to changing channel environments and allows the system to continuously optimize and adapt to changes by learning from real-time 3GPP channel data and updating the codebook dictionary throughout the model's lifecycle.

[0255] FIG. 14 shows an example of aspects of codebook dictionary construction. FIG. 15 illustrates an example of data-driven codebook dictionary construction approaches and dynamic updates. FIG. 16 illustrates examples of component diagrams of centralized and distributed codebook dictionary construction.

[0256] As shown in FIG. 14 and FIG. 15, the construction of the codebook dictionary can occur through approaches of: centralized, distributed, or collaborative. The node responsible for computing the codebook dictionary is referred to as the codeword construction node.

[0257] Centralized Construction: As shown in FIG. 16 (e.g., the solid lines) , a central node (e.g., a core network) periodically collects channel data from multiple base stations and UEs, building a global codebook dictionary that optimizes channel resource allocation from a global perspective. That is, channel data from multiple base stations and user equipment is aggregated at a core network codeword construction node, such as the core network itself. A global codebook dictionary is generated through this centralized processing of large-scale data, providing an optimal codeword generation solution for the entire network. Dynamic updates ensure that the central network adapts to channel conditions, maintaining efficient communication throughout the system’s lifetime. The central node also can be referred to as a database (DB) or a central database, which is a network device configured to coordinate the codebook dictionary generation method. In some implementations, the codebook dictionary generation can be performed over wireless communications, wired communication, or any other form of data transmission between the database and other network devices such as the base stations and the UEs. The database receives and stores the dataset from multiple device vendors. In one implementation, the database may be a base station, in which case the base station receives datasets from multiple UEs and / or other base stations and / or other network nodes. In another implementation, the database may be a core network, where the core network receives datasets from multiple base stations and / or UEs and / or other network nodes. In the present disclosure, the terms “database, ” “DB, ” “central database, ” “central node, ” “central network node, ” “core network, ” and “core network node” may be used interchangeably in different implementations.

[0258] Distributed Construction: As shown in FIG. 16 (e.g., the dashed lines) , local codebook dictionaries can be generated at individual base stations or user equipment based on locally collected data, which is then shared across nodes to form a comprehensive, global dictionary. Each base station, database, or even each user equipment, can serve as a codeword construction node. Each node generates a local codebook dictionary based on locally collected or aggregated channel data, which is then integrated with other nodes to form a global dictionary. This method reduces the burden on the central node while improving flexibility. It is especially effective in environments where channel conditions change frequently, as it allows the system to adjust local and global dictionaries continuously in response to real-time feedback, ensuring performance stability and scalability.

[0259] Collaborative Construction: The base station and user equipment collaborate to construct a codebook dictionary in real-time, dynamically adjusting based on user feedback to ensure accurate compression and decompression. The base stations and user equipment collaboratively build the codebook dictionary. As a codeword construction node, the base station generates a local dictionary based on channel data reported by user equipment within its service area. The user equipment provides real-time channel feedback, which includes time stamps and approximate location information (space stamps) derived from the channel feedback. This spatial-temporal information is crucial for updating the codebook dictionary. This collaboration not only enhances dictionary accuracy but also mitigates the risk of single points of failure through distributed processing. The cooperation between the base station and user equipment ensures the codebook can adapt to changes in user location and channel environment, thereby improving system reliability and flexibility.

[0260] FIG. 17 illustrates an example of codebook dictionary construction procedure 1700. As shown in FIG. 17, a codeword construction node begins constructing its codebook dictionary through the following steps:

[0261] Step 1701 Receive Channel Data: the codeword construction node receives channel data samples from one or more network nodes. These channel data samples are high-dimensional channel data.

[0262] For example, the codeword construction node receives (or collects) a first dataset from at least one first network node, and the first dataset includes channel data samples which indicates first channel status related to the at least one first network node. The at least one first network node may include one or more UEs and / or one or more base stations.

[0263] The codeword construction node may further receive (or collect) a second dataset from at least one second network node, and the second dataset includes channel data samples which indicates second channel status related to the at least one second network node. The at least one second network node may include one or more UEs and / or one or more base stations.

[0264] Step 1702 Feature Extraction: A linear sparse representation technique, such as least absolute shrinkage and selection operator (LASSO) statistics, is used to extract basic vectors as codeworks from the high-dimensional channel data (for example the first dataset) , which serves as typical data samples representing some characteristics of the channel. These basic vectors reduce the dimensionality of the data samples while maintaining the most representative channel characteristics. This ensures that the codebook dictionary remains efficient over the system’s lifecycle, adapting to varying channel environments and mission requirements.

[0265] For example, by doing so, the first dataset is represented using a first codebook dictionary and an associated first sparse representation consisting of M first coefficients, where the first sparse representation is expressed as a weighted combination of the M coefficients corresponding to M basic vectors (codewords) in the first codebook dictionary, where M is a positive integer.

[0266] Step 1703 Data Cleaning and Redundancy Detection: Once feature extraction has produced enough codewords, the node can clean newly collected data by removing noisy and abnormal points. The redundancy detection mechanism eliminates duplicate data, ensuring that the codebook dictionary is not compromised by redundant information during construction. This step improves the accuracy and efficiency of codeword generation. For example, a base station acting as the codeword construction node may send the preliminary dictionary to user equipment. The user equipment can then clean and remove noisy and abnormal points from channel reports, reducing uplink reporting loads.

[0267] Step 1704 Out-of-Distribution (OOD) Detection: After sufficient codewords are extracted, the node uses OOD detection to analyze channel data and ensure it falls within the model’s training distribution. Abnormal data is flagged or filtered to prevent errors in codebook generation caused by mismatched channel data. OOD detection also helps identify changes in the physical environment. For example, if new data is frequently classified as OOD, it may signal environmental changes, prompting integration of new data into the codebook dictionary.

[0268] Step 1705 Cluster Analysis: Following feature extraction, clustering algorithms (e.g., spectral clustering) are employed to group similar features, forming several sub-codebook dictionaries. Dynamic clustering adjustments allow for the generation of optimal sub-codebook dictionaries under different channel characteristics, improving both channel feedback efficiency and data transmission performance.

[0269] Step 1706 Codeword Optimization: In distributed systems, when two nodes stabilize their local dictionaries, they can share or report them to a higher layer node. The combined dictionary is optimized by removing redundant or merging similar codewords. Codeword optimization is continuously refined based on real-time feedback from the LCM framework to ensure the dictionary performs optimally over the system’s lifecycle. In a centralized system, the codeword construction node can also continuously optimize the codeword based on the real-time feedback.

[0270] Step 1707 Update Codebook with Feedback: The codebook dictionary can be dynamically updated. The mechanism automatically triggers updates based on channel environment changes, user feedback, or preset time intervals, ensuring real-time adaptation and sustained performance.

[0271] FIG. 18 illustrates an example of a dynamic codebook update method. As shown in FIG. 18, the update method can include some of the following steps.

[0272] Trigger Conditions: in some implementations, a system 1801 can automatically update a codebook dictionary in response to significant changes in the channel environment, user feedback, or at scheduled intervals. This ensures that the codebook configuration always reflects current channel conditions.

[0273] In some implementations, the system 1801 can be a central network node (e.g., the core network node 1902 of FIG. 19) . The central network node can update the code dictionary based on an update trigger. The update trigger can be associated with status of a channel (e.g., a change to channel environment 1802 as shown in FIG. 18) , a location, performance feedback (e.g., user feedback 1803 as shown in FIG. 18) , a time interval 1804, a new dataset, a new codebook dictionary including one or more new codewords, or any combination thereof.

[0274] For example, the update trigger associated with the status of the channel can include an increase or drop in a received signal strength indicator (RSSI) or signal to noise ratio (SNR) detected by a network device (e.g., a UE or a base station) . In another example, the update trigger associated with the status of the channel can include a change in the wireless environment (e.g., heavy rain or snow) that causes signal attenuation in a frequency band. The update trigger associated with the location can include a location change or movement of a UE. The update trigger associated with the performance feedback can include feedback on whether a quality of service (QoS) requirement (e.g., latency or throughput) is satisfied. The update trigger associated with the time interval 1804 can include a scheduled timer triggered periodically.

[0275] The update trigger associated with a new dataset can include a pattern of data samples in the new dataset the system receives. For instance, if a large portion of new data is flagged as OOD, the system will trigger a dictionary update, integrating the relevant data (e.g., codewords) into the dictionary.

[0276] The update trigger associated with the new codebook dictionary can include receiving information indicating new codewords that are not included in the current codebook dictionary (e.g., the unified codebook dictionary) .

[0277] In some implementations, the update trigger can be transmitted by any suitable network node. For example, the update trigger can be transmitted by a UE to a base station or by a base station to a core network node. In some implementations, the network node that transmits the update trigger to a receiving node can receive an updated codebook dictionary from the receiving node. The updated codebook dictionary can be determined by the receiving node based on the update trigger.

[0278] In some implementations, at 1805, the system can check codeword usage frequency. For example, each entry in the dictionary maintains a frequency count, and unused entries (e.g., codewords) over long periods can be deleted (e.g., at 1806) .

[0279] Incremental Learning and Updates: At 1807, the codebook dictionary can be gradually updated using incremental learning methods, allowing clusters to be adjusted as new channel data is collected. This avoids delays associated with retraining the entire model and mitigates model stagnation issues present in traditional frameworks.

[0280] At 1808, the system can perform distributed updates for regional changes. Distributed updates enable the system to efficiently respond to regional channel changes by collaborating among multiple construction nodes. This approach increases coverage while reducing the processing burden on individual nodes. For example, if only one part of the environment changes dramatically, only the corresponding sub-codebook dictionary will be updated (e.g., at 1809) .

[0281] FIG. 19 shows an example of a codebook dictionary generation process 1900 and signaling interactions between base stations (e.g., base stations A and B) and user equipment (UE) . In FIG. 19, at least two codebook construction nodes (for example, base station A and base station B) are taken as an example. While the process 1900 is described with reference to a UE, two base stations, and a core network node, this description is provided for illustrative purposes only and is not intended to be limiting. In practice, the process can be applied to other instances of network nodes and terminal devices or equivalents thereof. It is understood that steps or operations shown in the procedure are not exhaustive and that other operations can be performed as well before, after, or between any of the illustrated operations. Further, some of the steps or operations may be omitted, performed simultaneously, or performed in a different order than those shown in FIG. 19. The same note can be applied to other methods, processes, or procedures described in the present disclosure.

[0282] Channel Data Collection: a UE 1901 periodically collects channel state information (CSI) and sends the CSI to the base stations through an uplink channel (e.g., at 1903) . Alongside the CSI, the UE 1901 may report its location (e.g., global positioning system (GPS) coordinates) to the base stations (e.g., at 1906) . For example, the UE 1901 can be connected to base stations A and B and can report CSI data to both stations. The CSI data could be referred as a dataset, accordingly, the CSI data received by base station A could be called a dataset 1904a, and the CSI data received by base station B could be called a dataset 1904b. The dataset 1904a can include channel information indicating status of a channel between the UE 1901 and base station A, and the dataset 1904b can include channel information indicating status of a channel between the UE 1901 and base station B. Although only one UE is shown in the figure, multiple UEs can be involved to report individual CSI data to corresponding base stations (A and / or B) .

[0283] Local Codebook Generation: Base stations A and B each receive CSI data and time information from multiple UEs (e.g., at 1903) . Based on this data, and following some steps, such as feature extraction, data cleaning, redundancy detection, OOD detection, cluster analysis, and codeword optimization, each of the base stations A and B can construct local dictionaries (e.g., at 1907) . Sub-codebook dictionaries can be generated, and spatial regions can be defined based on the spatial information in the data. The base stations then send the local dictionaries and coverage area information to either a central network node 1902 (centralized architecture) or neighboring base stations (distributed architecture) . For example, base station A receives one or more datasets (CSI data) from at least one first network node (e.g., UEs connected to base station A) , and base station B receives one or more datasets (CSI data) from at least one second network node (e.g., UEs connected to base station B) . Base station A can determine a dataset 1905a by combining the one or more datasets (e.g., including dataset 1904a from UE 1901) from the at least one first network node. The dataset 1905a can include one or more pieces of channel information associated with the at least one first network node, and each piece of channel information in the dataset 1905a can indicate status of a respective channel associated with one of the at least one first network node. Base station B can determine a dataset 1905b by combining the one or more datasets (e.g., including dataset 1904b from UE 1901) from the at least one second network node. The dataset 1905b can include one or more pieces of channel information associated with the at least one second network node, and each piece of channel information in the dataset 1905b can indicate status of a respective channel associated with one of the at least one second network node. At 1907, both base stations A and B can construct or generate a local codebook dictionary (for example, a first local codebook dictionary 1908a generated by base station A and a second local codebook dictionary 1908b generated by base station B) respectively. The local codebook dictionaries 1908a and 1908b can be determined, for example, by applying a dictionary learning algorithm (e.g., LASSO as described with reference to FIG. 17) to the datasets 1905a and 1905b, respectively. In detail, for example, the first local codebook dictionary 1908a includes M basic vectors (also referred to as codewords) , and the second local codebook dictionary 1908b includes N basic vectors. M and N are positive integers. The central network node 1902 can be a core network or core network node as shown in FIG. 19. Alternatively, the central network node 1902 can be another base station.

[0284] In some implementations (not shown in FIG. 19) , base station A can transmit the dataset 1905a to the central network node 1902, and base station B can transmit the dataset 1905b to the central network node 1902. In some implementations, the dataset transmitted from a base station to the central network node 1902 can include CSI estimated by the base station. In some implementations, the central network node 1902 can be a base station, and the UE 1901 can transmit a dataset (e.g., the dataset 1904a and / or the dataset 1904b) directly to the central network node 1902.

[0285] In some implementations, for example, at 1909, the base stations can transmit the local codebook dictionaries to the UE 1901. The UE 1901 can perform tasks such as data cleaning and redundancy detection based on the local codebook dictionaries. At 1910, the UE 1901 can transmit task feedback to the base stations.

[0286] Global Codebook Construction:

[0287] In centralized architectures, the core network node or central network node 1902 collects local codebook dictionaries (e.g., local codebook dictionaries 1908a and 1908b at 1911) and their coverage area information (e.g., at 1912) from all base stations, merging them to construct a global codebook dictionary (also referred as a unified codebook dictionary) .

[0288] In distributed architectures, base stations exchange their local codebook dictionaries (e.g., local codebook dictionaries 1908a and 1908b) and coverage area information, merging them according to predefined policies to form a global codebook dictionary (also referred as a unified codebook dictionary) .

[0289] In some implementations, after merging, the global or unified codebook dictionary may include K basic vectors or codewords. K is a positive integer and K ≤ M+N because of, for example, the codeword combination.

[0290] Several methods can be used to merge dictionaries (e.g., local codebook dictionaries) into a unified codebook dictionary:

[0291] Codeword Combination: Similar codewords from different local dictionaries are combined to reduce redundancy.

[0292] Codeword Weight Adjustment: Weights of codewords can be adjusted based on data volume and regional importance to ensure the global codebook dictionary remains representative.

[0293] Codebook Dictionary Distribution: The central network node 1902 or base stations can distribute the global codebook dictionary (or its latest version) to all relevant network nodes. For example, at 1913, the central network node 1902 can transmit the global codebook dictionary to base station A and base station B. In some implementations, at 1914, base stations may send the full global codebook dictionary or a sub-codebook dictionary to the UE, based on the UE’s location area information, for subsequent CSI feedback and decoding.

[0294] Feedback and Updates: In some implementations, the base station can continuously monitor feedback from UEs (e.g., at 1915) , such as the accuracy and efficiency of CSI feedback. Based on channel changes, the base station can trigger updates to the local codebook dictionary and send updates to the central network node 1902 (e.g., at 1916) or neighboring base stations, contributing to the update of the global codebook dictionary.

[0295] Although FIG. 19 involves different network nodes (for example, two base stations and a core network) , it is understood that in some implementations, the construction of local codebook dictionaries and the global codebook dictionary can be performed at a same network node, e.g., at the base station or the core network.

[0296] In some implementations, a network node can obtain a codebook dictionary (e.g., the global or unified codebook dictionary described with reference to FIG. 19) based on a dataset that includes channel information.

[0297] For example, in a centralized architecture, the network node can be a central network node (e.g., the central network node or the core network node 1902 of FIG. 19) . The central network node can obtain a dataset by combining a first local dataset (e.g., the dataset 1905a) from a first network node (e.g., base station A) and a second local dataset (e.g., the dataset 1905b) from a second network node (e.g., base station B) . In other words, the dataset can include the first local dataset and the second local dataset. The first local dataset can include at least first channel information indicating status of a channel (e.g., the channel between the UE 1901 and base station A) associated with the first network node. The second local dataset can include at least second channel information indicating status of a channel (e.g., the channel between the UE 1901 and base station B) associated with the second network node. In some implementations, the first network node or the second network node can be a UE.

[0298] In some implementations, each local dataset can be a single piece of channel information indicating status of a channel (e.g., the channel between the UE 1901 and base station A) associated with each of the first network node and the second network node. In some implementations, each local dataset can include multiple pieces of channel information (e.g., the dataset 1905a or 1905b) the first network node or the second network node collected from other network devices.

[0299] In some implementations, the central network node can obtain the codebook dictionary based on the dataset. The codebook dictionary can include at least one codeword. For example, the central network node can determine the codebook dictionary by using the dataset as training data and applying a dictionary learning algorithm (e.g., LASSO as described with reference to FIG. 17) to the dataset.

[0300] In some implementations, the central network node can transmit the codebook dictionary. For example, the central network node can transmit the codebook dictionary to the base station A and the base station B.

[0301] In another example, in a distributed architecture, the network node can be a base station (e.g., the base station A of FIG. 19) . The dataset is a first local dataset (e.g., the dataset 1905a) . The base station A can determine a first local codebook dictionary (e.g., local codebook dictionary 1908a) based on the first local dataset. The base station A can receive a second local codebook dictionary (e.g., local codebook dictionary 1908b) from a second network node (e.g., base station B of FIG. 19) . Then, the base station A can determine the codebook dictionary (e.g., the global or unified codebook dictionary described with reference to FIG. 19) based on the first local codebook dictionary and the second local codebook dictionary.

[0302] In some implementations, the base station A can transmit the first local codebook dictionary to the second network node. In this way, the second network node can also determine its global or unified codebook dictionary using a similar approach described above.

[0303] In another distributed example, the network node can be a central network node (e.g., the central network node or the core network node 1902 of FIG. 19) . The central network node can receive a first local codebook dictionary (e.g., the local codebook dictionary 1908a) from a first network node (e.g., base station A) . The central network node can receive a second local codebook dictionary (e.g., the local codebook dictionary 1908b) from a second network node (e.g., base station B) . The central network node can determine a codebook dictionary (e.g., the global or unified codebook dictionary described with reference to FIG. 19) based on the first local codebook dictionary and the second local codebook dictionary. For example, the central network node can determine the codebook dictionary by merging local codebook dictionaries using the methods described above. The central network node can distribute the codebook dictionary by transmitting the codebook dictionary to the first network node and the second network node.

[0304] In some implementations, linear sparse representations are used to construct the codebook dictionary and compress data. A codebook dictionary includes several codewords (basic vectors) , each representing a typical channel feature or mode. Codewords may take various mathematical forms, such as vectors, matrices, or tensors. Each codeword is represented as a sparse vector with only a few non-zero elements. This method effectively compresses channel data and reduces the complexity of AI / ML models.

[0305] Specifically, the codebook dictionary may be represented as a matrix, Ψ, where each column represents a codeword Ψi, and I is a positive integer. The channel data h can be expressed as a linear combination of codewords: h ≈ Ψs,

[0306] where s is a sparse vector representing the channel data’s sparse representation coefficients in the codebook dictionary.

[0307] For example, the first dataset can be represented using a first codebook dictionary (Ψ1) and an associated first sparse representation consisting of M first coefficients (s) , where the first sparse representation is expressed as a weighted combination of the M coefficients corresponding to M basic vectors in the first codebook dictionary.

[0308] In another example, the second dataset can be represented using a second codebook dictionary (Ψ2) and an associated second sparse representation consisting of N second coefficients (s) , where the second sparse representation is expressed as a weighted combination of the N coefficients corresponding to N basic vectors in the second codebook dictionary.

[0309] Similarly, a merged dataset can be obtained by merging the first dataset and the second dataset, and the merged dataset can be represented using a unified codebook dictionary (Ψ) and an associated sparse representation consisting of K merged coefficients (s) , where the sparse representation is expressed as a weighted combination of the K coefficients corresponding to K basic vectors in the unified codebook dictionary.

[0310] In some implementations, the central network node can determine sparse representations based on a codebook dictionary (e.g., the unified codebook dictionary Ψ) and channel information in a dataset (e.g., the merged dataset or a combination of local datasets) . For example, each of the sparse representations can be determined based on the unified codebook dictionary Ψ and a piece of channel information in the merged dataset.

[0311] In some implementations, the central network node can determine a channel data model or a model-of-data that indicates a pattern associated with the sparse representations. The determination of the model-of-data is further described in detail with respect to FIGS. 36-41.

[0312] In some implementations, the unified codebook dictionary Ψ or the channel data model is associated with a wireless network including a plurality of network nodes (e.g., the UE 1901, base station A, and base station B of FIG. 19) .

[0313] In some implementations, the unified codebook dictionary Ψ or the channel data model is part of another codebook or another channel data model associated with a wireless network including a plurality of network nodes.

[0314] In some implementations, the central network node can transmit information indicating at least one of a subset of the unified codebook dictionary Ψ, a subset of the sparse representations, and a part of the channel data model associated with status of a channel associated with a network node (e.g., the UE 1901, base station A, base station B of FIG. 19) or a location of the network node.

[0315] The process of constructing and updating codewords can involve various methods as shown in FIGS. 20-22.

[0316] FIG. 20 illustrates an example codeword construction and updating method.

[0317] As shown in FIG. 20, the codeword construction and updating method can include a clustering-based method, which groups similar channel eigenvectors using the center point of each group as a codeword.

[0318] The codeword construction and updating method can include a dictionary learning method, which applies dictionary learning algorithms (e.g., LASSO) to obtain an overcomplete dictionary from training data and uses this overcomplete dictionary as the codebook dictionary.

[0319] The codeword construction and updating method can use incremental learning to update the dictionary.

[0320] When newly collected channel data cannot be accurately represented by the current dictionary, a new eigenvector may be added as a new codeword.

[0321] For example, the codebook construction node may receive updated information, when the updated information indicates at least one basic vector that does not belong to the unified codebook dictionary. The codebook construction node may update the unified codebook dictionary by adding the at least one basic vector.

[0322] In some implementations, codeword weights may be adjusted based on changes in the channel environment. Frequently used codewords gain higher weights, while less-used codewords are weighted lower or removed.

[0323] FIG. 21 illustrates an example global codebook dictionary construction method. As shown in FIG. 21, a core network node (the central network node 1902 of FIG. 19) can receive local codebook data from different network nodes (e.g., base stations A and B of FIG. 19) . In some implementations, the local codebook data can be local datasets (e.g., the dataset 1905a and the dataset 1905b) . The central network node can determine a global codebook dictionary by combining the local datasets, using the combined dataset as training data, and applying a dictionary learning algorithm (e.g., LASSO as described with reference to FIG. 17) to the combined dataset. In some implementations, the local codebook data can be local codebook dictionaries (e.g., the local codebook dictionaries 1908a and 1908b) . The central network node can receive the local codebook dictionaries from different network nodes (e.g., base stations A and B of FIG. 19) . The central network node can determine the global codebook dictionary based on the local codebook dictionaries, for example, by merging local codebook dictionaries using the methods described above. The central network node can distribute the global codebook dictionary by transmitting the global codebook dictionary to different network nodes. In some implementations, when the network nodes are base stations, the base stations can transmit the global codebook dictionary to UEs connected to each base station.

[0324] FIG. 22 illustrates an example codebook dictionary update method 2200. The method 2200 can be performed by a system 2201, which includes a UE 2202, a base station 2203, and a core network node 2204. At 2205, the UE can send CSI data and location information to the base station 2203. At 2206, the base station 2203 can determine a local codebook dictionary and send the local codebook dictionary (and some optional feedback) to the core network node 2204. In some implementations, the core network node 2204 can determine a new global codebook based on the local codebook dictionary from the base station 2203. In some implementations, the core network node 2204 can determine an updated global codebook dictionary based on the local codebook dictionary and the feedback from the base station 2203. At 2207, the core network node 2204 can send the new global codebook dictionary or the updated global codebook dictionary to the base station 2203. At 2208, the base station 2203 can distribute the new global codebook dictionary or the updated global codebook dictionary to the UE 2202. In some implementations (e.g., at 2209) , the UE can send real-time performance feedback to the base station 2203.

[0325] In some implementations, a codebook construction node can update at least one of a codebook dictionary, at least one sparse representation, or a channel data model (as described further with respect to FIGS. 36-41) based on an update trigger (e.g., the update trigger described with reference to FIG. 18) . In some implementations, the updating includes at least one of: removing an existing codeword from the codebook dictionary; adding a new codeword to the codebook dictionary; removing a coefficient from the at least one sparse representation; or adding a coefficient to the at least one sparse representation.

[0326] For example, the codebook construction node receives information related to at least one of a specific channel status, a specific location, or user feedback of the performance, and updates the unified codebook dictionary or the merged dataset based on the information. The updating can include at least one of: removing at least one basic vector from the unified codebook dictionary, adding at least one basic vector to the unified codebook dictionary; removing at least one coefficient from the sparse representation; or adding at least one coefficient to the sparse representation.

[0327] In some implementations, the codebook dictionary update method includes pre-processing a new dataset, one or more sparse representations associated with the new dataset, or the new codebook dictionary.

[0328] In some implementations, the pre-processing includes at least one of normalization, data cleaning, noise removing, out-of-distribution (OOD) detection, or redundancy detection.

[0329] In some implementations, the codebook dictionary update method includes updating both the codebook dictionary and the channel data model when the update trigger satisfies a first preconfigured condition. For example, the first preconfigured condition can include detection of a significant change to the channel status.

[0330] Alternatively, in some other implementations, the codebook dictionary update method includes updating the channel data model but not the codebook dictionary when the update trigger satisfies a second preconfigured condition. The second preconfigured condition can include receiving a new dataset with a different distribution or pattern of the sparse representations, but the change to the distribution or pattern of the sparse representation is not significant enough to change the codebook dictionary. For example, the new dataset can have similar samples that are not removed by the data de-redundancy process.

[0331] In some implementations, the codebook dictionary update method includes transmitting updated information that indicates at least one of the updated codebook dictionary or the updated channel data model.

[0332] 4.2 Codebook Dictionary-Based AI / ML Model Interoperability

[0333] The use of a unified codebook dictionary provided in this disclosure may ensure downstream AI / ML model interoperability across different vendors in 3GPP environments. It should be understood that the frame with channel data in other wireless system may be used for the wireless environments of the other wireless system. This is crucial because AI / ML models developed by different vendors often face challenges when trying to work together due to differences in internal architectures and training processes. The standardized codebook dictionary in this disclosure serves as a common reference, ensuring that AI / ML models can operate seamlessly, regardless of their source. The use of a unified codebook dictionary ensures that AI / ML models from different vendors can work together, achieving seamless mapping between high-dimensional channel data and low-dimensional codeword representations. This ensures consistency and interoperability during both encoding and decoding processes.

[0334] By standardizing the input and output formats of AI / ML models, the codebook dictionary reduces incompatibilities between models, allowing them to communicate and function together. This guarantees the reliability and accuracy of AI / ML models deployed in heterogeneous environments. FIG. 23 shows an example interoperate procedure for Vendor A model (for example, encoder) and Vendor B model (for example, decoder) .

[0335] The disclosure provides the following mechanisms to enhance interoperability:

[0336] Unified Codebook Dictionary: The codebook dictionary ensures consistency in the data structure, allowing AI models to use the same format for encoding and decoding. This standardization helps AI models from different vendors to interoperate effectively without major modifications to their underlying architectures.

[0337] Lifecycle Model Optimization: As part of the lifecycle management, the codebook dictionary undergoes dynamic updates based on real-time feedback from the system, ensuring that the AI models remain efficient and robust over time. This minimizes potential mismatches between AI models and the dynamic nature of channel data.

[0338] The codebook dictionary serves as a unified reference for sparse spaces, ensuring that all AI / ML models process channel data consistently. FIG. 24 illustrates an example data compression and decompression method that uses a codebook dictionary as a unified reference. The sparse space can include a set of codewords (vectors) , and AI models follow steps shown in FIG. 24. In some implementations, an encoding model and a decoding model can be determined based on the codebook dictionary.

[0339] Feature extraction and compression by using the encoding model:

[0340] For example, when processing channel data, at 2404, the encoding model first extracts features from the high-dimensional channel data. Depending on a specific encoding model, various algorithms, such as CNN or transformer may be used to perform the feature extraction.

[0341] After feature extraction, the encoding model compresses the high-dimensional data into low-dimensional codewords. The codewords may align with the sparse representation in the codebook dictionary to ensure that the outputs of all models map to a consistent sparse space.

[0342] The compressed codewords are then sent or stored for future communication tasks.

[0343] For example, the UE 2401 may need to report the channel data (e.g., CSI) . The UE 2401 may encode the channel data to compressed codewords (e.g., at 2405) such as a sparse representation of the CSI and send the sparse representation to a base station 2402. With this, the overhead to be reported is reduced.

[0344] Reading and decompressing by the decoding model:

[0345] At the receiving end, at 2406, the decoding model retrieves the compressed codewords from the encoding model. Regardless of the specific decoding algorithm being used (e.g., RNN or transformer) , the process begins by reading the codewords based on a unified sparse space.

[0346] Using the sparse representation from the codebook dictionary, at 2407, the decoding model inputs the received codewords and decompresses them back into the original high-dimensional channel data. This ensures that models from different vendors can interoperate accurately.

[0347] For example, the base station 2402 can receive the compressed channeled data (e.g., a sparse metric consisting of X coefficients) from the UE 2401, then the base station 2402 can deduce channel status (e.g., CSI) based on the X coefficients and the corresponding X basic vectors in the unified reference (e.g., the codebook dictionary) . X is a positive integer.

[0348] Even though AI models rely on the same codebook dictionary for compression and decompression, they may still process channel data differently. Some examples are listed below.

[0349] Some models may use convolutional neural networks (CNNs) to extract local spatial features, while others may employ self-attention mechanisms (Transformers) to capture global features.

[0350] Although these AI models use different approaches for compression and decompression, the unified sparse representation provided by the codebook dictionary ensures that data remains consistent between the base station and the user equipment.

[0351] The mapping between the AI model and the codebook dictionary is synchronized between the base station and the user equipment through signaling exchange. The user equipment notifies the base station of the mapping scheme the user equipment is using via a control channel, allowing the base station to decode the channel data correctly.

[0352] FIG. 25 illustrates an example of aligned implementation and mapping of different AI models.

[0353] In some implementations, the codebook dictionary can be subdivided into multiple sub-codebook dictionaries, each optimized for different channel environments or user devices. Each sub-codebook dictionary corresponds to specific channel characteristics or data scenarios, allowing different AI / ML models to be optimized for specific sub-codebooks.

[0354] However, to maintain interoperability between different models, the compression results from each sub-codebook can be aligned with the global sparse space through a uniform mapping mechanism. In other words, the compressed outputs of each sub-codebook dictionary may map back to a unified codebook dictionary, ensuring that both the base station and user equipment can correctly decode and transmit data using a common sparse representation. FIG. 26 shows an example of mapping between sub-codebook dictionaries and sparse space.

[0355] In some implementations, the codebook construction node may send information indicating a first subset of the merged dataset, where the merged dataset further includes a second subset, each subset corresponding to at least one of a specific channel status or a specific location.

[0356] In some implementations, the codebook construction node may send information indicating a first subset of the unified codebook dictionary, where the unified codebook dictionary further includes a second subset, each subset corresponding to at least one of a specific channel status or a specific location.

[0357] In some implementations, the unified codebook dictionary is a dictionary within a wireless network comprising a plurality of network nodes.

[0358] In some implementations, the merged dataset is a unified dataset within a wireless network comprising a plurality of network nodes.

[0359] In some implementations, the unified codebook dictionary or the merged dataset is a subset of another codebook dictionary or dataset within the wireless network comprising a plurality of network nodes.

[0360] FIG. 27 shows an example of an alignment method 2700 for data compression and decompression.

[0361] To ensure smooth communication between network nodes, such as a base station 2702 and a UE 2701, the alignment method 2700 includes one or more of the following steps.

[0362] Codebook Dictionary Distribution: During initialization (e.g., at 2704) , the base station 2702 distributes the current codebook (unified) dictionary to the UE 2701, including all codewords and their sparse representations. This distribution enables the UE 2701 to map channel data to the same sparse space during compression.

[0363] In some implementations, depending on the need, the base station 2702 may send to the UE 2701 (as well as other UEs connected to the base station 2702) , information indicating the unified codebook dictionary, the merged dataset, or the updated sparse representation.

[0364] Signaling Alignment for Mapping: Using the control channel, at 2703, the UE 2701 sends an ID of the AI / ML model and its mapping scheme to the base station 2702. This allows the base station to use the same sparse space mapping rule for decoding.

[0365] Data Compression and Decompression: The UE 2701 performs feature extraction on the channel data using a specific AI / ML model and compresses it into codewords. At 2705, the UE 2701 can transmit the compressed data to the base station 2702. At 2706, after receiving the compressed data, the base station 2702 decompresses it back into high-dimensional channel data using the shared mapping rule, ensuring data consistency and correctness.

[0366] Since the channel environment and user behavior change over time, this disclosure includes a dynamic update mechanism for the codebook dictionary, allowing the system to adapt to changes in real-time.

[0367] FIG. 28 shows an example of a dynamic optimization and mapping update method throughout the lifecycle.

[0368] Incremental Updates to the Codebook Dictionary: The base station performs incremental updates to the dictionary based on real-time channel data feedback. When certain codewords become outdated due to changes in the channel environment, the system automatically updates the codeword set to maintain accuracy in compression and decompression.

[0369] Adaptive Optimization of Mapping: Both the base station and user equipment continuously monitor the performance of the mapping scheme. If the current mapping does not adapt to changes in the channel environment, the system triggers an update, adjusts the mapping rule, and synchronizes the new scheme through signaling.

[0370] FIG. 29 shows an example of multi-vendor AI / ML model collaboration.

[0371] By employing a unified codebook dictionary, the present disclosure may ensure that AI / ML models from multiple vendors can collaborate within the same wireless communication system. Even if different vendors use varying algorithms and architectures, they may all adhere to the sparse representation rules defined by the unified codebook dictionary. In some implementations, this mechanism can guarantee that models from different vendors can work together effectively for tasks such as CSI feedback, channel prediction, or resource allocation.

[0372] 4.3 Adaptive AI / ML Model Deployment Based on User Location and Channel Environment

[0373] To address the challenge of adapting AI / ML models to dynamic channel environments, the disclosure proposes an adaptive AI / ML model deployment solution. In some implementations, this system dynamically selects and deploys AI / ML models based on the user’s location and the surrounding channel environment. Some AI / ML model deployment strategies often use static models that are ill-suited for varying conditions. This disclosure overcomes such limitations by continuously adjusting AI / ML model complexity and deployment strategy in real time. By analyzing real-time location information, channel conditions, and device capabilities, this mechanism dynamically selects and adjusts AI models to optimize communication quality and resource utilization.

[0374] FIG. 30 illustrates an example of an adaptive deployment system.

[0375] Dynamic Model Selection: The system can automatically select the optimal AI / ML model from a library of models based on changes in the channel environment. This ensures the highest communication quality while minimizing resource consumption in different geographic regions.

[0376] Real-Time Feedback Mechanism: The system can gather real-time feedback on user location and channel conditions, using this information to adjust AI / ML model deployment dynamically. This real-time adaptability ensures the system can handle both simple and complex environments effectively.

[0377] Optimized Model Deployment: The system can deploy AI Model dynamically and adjusts the complexity based on user’s location to minimize real-time resource usage.

[0378] FIG. 31 illustrates examples of working processes for the optimized model deployment, the real-time feedback mechanism, and the dynamic model selection of FIG. 30.

[0379] The following sections describe the working process, model selection, deployment method, and related protocols in detail for AI model adaptive deployment based on user location and area awareness, including a dynamic model selection process, an AI / ML model adaptive deployment process, signaling interaction, and protocol design.

[0380] 1. Dynamic Model Selection Process

[0381] Based on the location and channel environment of the UE, the system can dynamically select and deploy the optimal AI model through the following process.

[0382] I. Initial Model Selection:

[0383] FIG. 32 illustrates a dynamic model selection process 3200.

[0384] Channel Data Collection: At 3205, when a communication link is established between a UE 3201 and a base station 3202, the base station 3202 can collect initial channel state information (CSI) . For example, the CSI can include parameters such as signal strength, interference level, and bandwidth. This channel data or information (e.g., the CSI) can form the foundation for model selection. Optionally, the UE 3201 may periodically report its location (e.g., GPS coordinates) , movement speed, and direction. Alternatively, the base station 3202 can estimate the UE 3201’s location and motion status based on the channel information.

[0385] Location Area Identification: At 3206, the base station 3202 can retrieve a codebook dictionary (e.g., codebook dictionary 3204) . The base station 3202 can compare the approximate location information of the UE 3201 with a geographic database and map the UE 3201 to a predefined area. Each area can be associated with one or more codebook dictionary classifications, allowing the base station 3202 to identify the type of channel environment (e.g., high-speed zones, dense urban areas, indoor spaces, etc. ) . For example, the one or more codebook dictionary classifications can be determined based on the codebook dictionary 3204.

[0386] Model Library Query: Based on the UE 3201’s location, channel state, and codebook dictionary classification, at 3207, the base station 3202 queries an AI model library (e.g., model library 3203) . At 3208, the model library 3203 can return AI models and corresponding parameters in response to the query from the base station 3202. The base station 3202 can select the most suitable model for the current channel environment. In some implementations, the model library 3203 contains AI models of varying complexity, each trained for specific conditions. The base station 3202 further considers the computing capacity of the UE 3201, ensuring the UE 3201 can process data in real time.

[0387] AI Model Deployment:

[0388] Base Station Model Deployment: The base station 3202 deploys the selected AI model on its side to process the channel data related to the UE 3201.

[0389] User Equipment Model Deployment: At 3209, the base station 3202 sends the AI model, model ID, and related parameters to the UE 3201 via signaling. Upon receiving this information, the UE 3201 loads the corresponding model to perform data processing. If multiple models are pre-installed on the UE 3201, the base station 3202 may only need to send the model ID, allowing the UE 3201 to directly activate the appropriate model. At 3210, the UE 3201 can load or switch to the selected AI model (e.g., the AI model indicated by the model ID from the base station 3202) .

[0390] II. Dynamic Model Adjustment: FIG. 33 shows an example of a dynamic model adjustment procedure 3300.

[0391] Real-Time Channel State Monitoring: During communication, the base station continuously monitors the UE’s channel state through physical layer feedback (e.g., 3301) . If there is a significant decrease in channel quality (e.g., increased interference or signal attenuation) or if the UE’s location changes substantially, the system reassesses the current AI model’s applicability (e.g., 3303) .

[0392] Model Replacement or Adjustment:

[0393] Model Replacement: At 3304, the system (e.g., a base station, a database, or any other suitable network device) can determine whether there is a significant change in the channel environment. When the system detects a significant change in the channel environment (e.g., a UE moves from an outdoor area to an indoor space) , the base station selects a new AI model from the library to adapt to the updated conditions (e.g., 3305) . The base station instructs the UE to switch models via the downlink signaling (e.g., 3306) , and the UE adjusts the model based on the new model ID and parameters, continuing its data processing tasks (e.g., 3307) .

[0394] Model Adjustment: For smaller environmental changes, at 3308, the base station may adjust certain model parameters, such as complexity or compression rates (e.g., 3309) , to better suit the current channel conditions. This can avoid frequent model switching and improve system stability and efficiency.

[0395] In some implementations, a network node may update an AI model. The updating can include adjusting the complexity of the AI model based on the updating of the unified codebook dictionary, the merged dataset, or the sparse representation.

[0396] 2. AI / ML Model Adaptive Deployment Process

[0397] To manage changing channel conditions during communication, the disclosure includes a set of adaptive deployment procedures that dynamically adjust model complexity and deployment strategies based on a UE’s location and channel status. FIG. 34 shows an example of an AI / ML Model adaptive deployment process 3400.

[0398] Channel Environment Analysis: At 3405, a UE 3401 can periodically report CSI data via the uplink signaling. Alternatively, a base station 3402 can gather real-time channel state information through physical layer measurements. The base station 3402 can analyze the current channel environment based on these parameters. Operations 3405, 3406, 3407, 3408, 3409, and 3410 can be the same as, or similar to operations 3205, 3206, 3207, 3208, 3209, and 3210 of FIG. 32.

[0399] Adaptive Deployment Strategy:

[0400] Location Area Awareness: In some implementations, the base station 3402 can continuously monitor the UE 3401’s location and perform an adaptive model adjustment (e.g., at 3411) . Based on the UE 3401’s channel feedback (e.g., 3412 and 3413) , the system adjusts the complexity of the AI model dynamically (e.g., 3414 and 3415) . For example, for areas with simpler channel conditions, the system selects lower-complexity models to reduce computational resource consumption. For complex or high-interference areas, more complex models are chosen to ensure better communication quality.

[0401] Dynamic Model Deployment: At 3416, the base station 3402 sends a new model ID and parameters to the UE 3401 via a control channel, instructing the UE 3401 to switch to a new model. In some implementations, the decision-making process for model deployment is based on the UE 3401’s location and channel conditions, ensuring efficient resource utilization throughout the communication process.

[0402] Feedback Mechanism and Optimization:

[0403] Real-Time Feedback: The UE 3401 can periodically provide feedback on channel state and signal quality (e.g., 3413 and 3418) . The base station 3402 evaluates whether the current AI model meets communication requirements based on this feedback (e.g., 3414 and 3419) .

[0404] Model Optimization and Updates: Using the feedback mechanism, the base station 3402 evaluates the performance of the AI model. If the performance falls short of expectations or if there are significant changes in the channel environment, the base station 3402 adjusts the model deployment strategy, fine-tunes parameters, or switches to a new model. Additionally, the base station 3402 can update the AI model library through incremental learning, ensuring the models stay relevant as channel conditions evolve.

[0405] 3. Signaling Interaction and Protocol Design

[0406] The present disclosure provides techniques to facilitate model selection, handovers, and adaptive deployment between base stations and user equipment. FIG. 35 shows an example of a signaling exchange protocol 3500.

[0407] I. Model Selection Signaling: At 3503, a base station 3502 sends model selection information to a UE 3501 via a control channel. The model selection information can include a model ID, complexity parameters, and codebook dictionary details. The UE 3501 uses the signaling to load or switch to the correct model, ensuring consistent compression and decompression operations.

[0408] II. Location Area Feedback Signaling: The UE 3501 periodically reports location information and channel status (e.g., at 3504) . Based on this feedback, the base station 3502 determines whether adjustments to the AI model deployment are needed. If there is a significant change in location, the base station initiates a model switching procedure.

[0409] III. Model Switching Signaling: At 3505, if there is a substantial change in the channel environment or location, the base station 3502 sends a model switching signal via the downlink control channel, instructing the UE 3501 to switch to a new AI model. In some implementations, this signaling includes the new model ID, model parameters, compression settings, and code mapping scheme. In some implementations, at 3506, the UE 3501 switches models immediately upon receiving the signal and begins data processing with the updated settings.

[0410] IV. Feedback Optimization Process: The base station 3502 can continuously monitor feedback from the UE 3501 (e.g., 3507) and adjust AI model deployment and optimization strategies in real time (e.g., 3508) through signaling interactions, ensuring stable and efficient communication.

[0411] 4.4 Efficient Management (e.g., storing, sharing, and exchanging) of Sparse Data

[0412] To further improve efficiency, the disclosure introduces an efficient sparse data management solution that combines data sparsity with advanced data processing techniques like compressive sensing. Wireless channel data (for example, 3GPP channel data) often exhibits significant sparsity, especially in transformed domains like delay or angle domains. By leveraging this sparsity, the system can efficiently compress and process large-scale channel data while maintaining performance. An efficient sparse data management scheme that combines a codebook dictionary with "model-of-data" technology is provided in this disclosure. Using sparse representation techniques, the system extracts core features from high-dimensional channel data and employs models like the Gaussian Mixture Model (GMM) to describe the statistical properties of sparse domain data. This approach significantly reduces the volume of transmitted data, easing communication loads while maintaining the high-quality data required for downstream AI tasks.

[0413] FIG. 36 illustrates an example of a sparse data management system. As shown in FIG. 36, some aspects of the sparse data management system include:

[0414] Sparse Domain Modeling: Channel data is modeled in the sparse domain, allowing the system to compress data into low-dimensional codewords, which drastically reduces storage and transmission overheads without sacrificing accuracy.

[0415] Data Model Transmission: Instead of transmitting raw data, the system transmits compressed codewords, and the receiving end can reconstruct high-quality data samples based on the codebook dictionary, supporting downstream AI tasks.

[0416] Data reconstruction at receiver end. After receiving the compressed codewords, the receiver end tries to construct data using the unified codebook dictionary, and support the downstream AI tasks using the data, the possible downstream AI tasks may be training or inference.

[0417] FIG. 37 shows an example of an efficient sparse data management method 3700. At 3706, a UE 3701 can send CSI data to a base station 3702 via uplink signaling. At 3707, the base station 3702 maps the CSI data to a sparse domain using a codebook dictionary 3703. At 3708, through statistical analysis, the base station 3702 can generate a model-of-data based on the sparse data features. For example, the model-of-data can be a probability distribution model, such as a GMM 3704. In some implementations, at 3709, the base station 3702 can transmit the codebook dictionary 3703 and the model-of-data 3704 to a core network node 3705 through interfaces like S1 or X2. At 3710, the base station 3702 can transmit the codebook dictionary 3703 and the model-of-data 3704 to a core network node 3705 via downlink signaling, thereby reducing bandwidth usage. At 3711, the UE 3701 can generate space data using the codebook dictionary 3703. At 3712, the UE 3701 can project the sparse data back to original channel space using the GMM 3704. In some implementations, at 3713, the UE 3701 can transmit feedback on data quality and environmental changes to the base station 3702. At 3714, the base station 3702 can update the model-of-data parameters based on the feedback. At 3715, the base station 3702 can adjust the codebook dictionary 3703 based on the feedback. At 3716, the base station 3702 can send model update and optimization signaling to the UE 3701. At 3717, the UE 3701 can update the GMM 3704 and continue processing using the updated model.

[0418] In some implementations, in a sparse data management framework, the codebook dictionary plays a central role by projecting original channel data into a sparse space via feature extraction. In this sparse space, data exhibits a high compression ratio, allowing it to be further modeled using "model-of-data" technologies. FIG. 38 shows an example of performing the "model-of-data" technologies.

[0419] Sparse Domain Modeling: Through the construction and use of the codebook dictionary, a system (e.g., a base station, a database, any other suitable network devices, or any combination thereof) maps high-dimensional channel data (e.g., 3801) into a low-dimensional sparse space (e.g., via feature extraction 3802 and sparse representation in a codebook dictionary 3803) . In this space, data shows strong compression properties. After the base station obtains the channel data in the sparse domain, at 3805, the base station performs statistical analysis and constructs a probability distribution model (e.g., GMM at 3806) to describe the data in the sparse domain (rather than data in its original domain) .

[0420] Function of the Codebook Dictionary: The codebook dictionary not only compresses data but also projects and maps channel data from its original space into a sparse space (e.g., 3804) , forming sparse representations. This process efficiently represents data, reduces redundancy, and optimizes transmission efficiency. By combining the codebook dictionary with "model-of-data" techniques, only the probability distribution and the codebook dictionary need to be transmitted, rather than the original data.

[0421] In some implementations, the merged dataset mentioned above expressing the merged dataset by a model-of-data, where the model-of-data describes a statistical distribution and / or inherent channel patterns of the K coefficients in the sparse representation.

[0422] In some implementations, the management of the unified codebook dictionary is independent of the model-of-data, where the management comprising updating, cleaning, or redundancies detecting within the codebook dictionary based on new data.

[0423] In some implementations, the sparse representation is updated based on new data using the model-of-data, where updating to the sparse representation does not affect the unified codebook dictionary if the updating meets a preconfigured condition.

[0424] In some implementations, in response to changes in data indicating channel status meets a preconfigured condition, both the unified codebook dictionary and the model-of-data are updated. The unified codebook dictionary can be updated to reflect new patterns appearing within the data, and the model-of-data can be updated to reflect changes in the sparse representation based on the updated unified codebook dictionary.

[0425] In some implementations, a network node performs management on the merged dataset across two levels, including codebook dictionary management that handles dataset fusion, updating, cleaning, and redundancy detection on the unified codebook dictionary and sparse representation management that focuses on maintaining and updating the model-of-data related to codeword indices and their distributions.

[0426] In some implementations, upon receiving new data, a network node determines whether to update the unified codebook dictionary, the sparse representation, or both, based on the magnitude of changes in the dataset. For example, if the magnitude of changes is less than or equal to a threshold, the network note can determine to update the model-of-data related to the sparse representation while keeping the unified codebook dictionary unchanged. In another example, if the magnitude of changes is greater than the threshold, the network node can determine to update the unified codebook dictionary and subsequently updating the model-of-data to reflect the new structure of the updated unified codebook dictionary.

[0427] In some implementations, sparse data transmission relies on the codebook dictionary and the efficient management of "model-of-data. " Rather than transmitting the original channel data, the system transmits the codebook dictionary and model-of-data to the receiving end via signaling protocols. The receiving end then generates sparse data based on the model-of-data and projects it back to the original space to create the dataset required for downstream tasks. FIG. 39 shows an example of a data model transmission and signaling method 3900.

[0428] Model Transfer Process:

[0429] Probability Modeling of Sparse Domain Data: At 3904, a base station 3902 collects channel state information (CSI) from the user equipment (UE) and maps it to a sparse domain using a codebook dictionary. Through statistical analysis, the base station constructs a model-of-data based on the sparse data features. For example, the model-of-data can be a probability distribution model, such as a GMM.

[0430] Codebook Dictionary and Model-of-Data Transmission: Instead of transmitting a full dataset, at 3906, the base station 3902 sends the codebook dictionary and the model-of-data to another base station or the UE 3901 via a signaling protocol (e.g., downlink signaling) . This efficient signaling can reduce bandwidth usage.

[0431] In some implementations, at 3905, the base station 3902 (or eNodeB) shares the codebook dictionary and the model-of-data with a core network 3903 or other base stations (or eNodeBs) through interfaces like S1 or X2 respectively.

[0432] The base station 3902 can use downlink signaling to send the codebook dictionary and model-of-data parameters to the UE 3901, ensuring the UE 3901 can correctly generate sparse data for decoding or inference.

[0433] In some implementations, at 3907, the UE 3901 can transmit feedback on data quality and environmental changes to the base station 3902. At 3908, the base station 3902 can update the model-of-data parameters based on the feedback (e.g., transmitting the updated model-of-data parameters to the core network 3903) .

[0434] Data Reconstruction at the Receiving End:

[0435] Data Reconstruction Process: Upon receiving the codebook dictionary and model-of-data (e.g., at 3910) , the receiving end (e.g., the UE 3901) generates sparse data consistent with the statistical rules in the sparse domain (e.g., at 3911) , based on the model-of-data or the probability distribution model (e.g., GMM) . Using the codebook dictionary, the receiving end projects the sparse data back into the original space (e.g., at 3912) , synthesizing a dataset with characteristics consistent with the original channel data for downstream AI tasks (e.g., at 3913) .

[0436] Sparse Data Generation: In some implementations, the receiving end can generate sparse data samples (e.g., a large number of sparse data samples) using the transmitted model-of-data to support AI model training. The generated data is sufficient for the training and also retains the original channel data’s characteristics, reducing the need for large-scale storage and transmission of raw data.

[0437] Effective management and transmission of sparse data can rely on a series of efficient signaling protocols to ensure accurate data generation and transmission. FIG. 40 illustrates an example of a sparse data transmission method 4000. As shown in FIG. 40, the method 4000 may include:

[0438] I. Signaling for Sparse Data Modeling:

[0439] Uplink Signaling: At 4004, a UE 4001 can periodically report CSI information to a base station 4002 via uplink signaling. The base station 4002 maps the channel data into sparse space using a codebook dictionary and generates a corresponding model-of-data (e.g., GMM) to describe the statistical distribution of the sparse data.

[0440] II. Data Model Transmission Signaling:

[0441] Codebook Dictionary and Model-of-Data Transmission: At 4005, the base station 4002 transmits the sparse codebook dictionary and model-of-data to a core network 4003 or another base station via an S1 or X2 interface. This process minimizes bandwidth usage, ensuring efficient data transmission.

[0442] Downlink Signaling: At 4006, the base station 4002 transmits the codebook dictionary and model-of-data to the UE 4001 through a downlink channel. The UE 4001 uses this information to reconstruct sparse data, ensuring high efficiency in subsequent data processing.

[0443] III. Data Generation and Reconstruction Signaling:

[0444] Reconstructing Sparse Data: The UE 4001 generates compressed sparse data using the received codebook dictionary and model-of-data in the sparse domain. The UE 4001 then projects the sparse data into the original channel space, synthesizing high-dimensional data consistent with the original.

[0445] Inference and Training Support: The receiver (e.g., the UE 4001) uses the reconstructed channel data to train and perform inference tasks for downstream AI applications.

[0446] IV. Feedback and Optimization Signaling:

[0447] Feedback Mechanism: After generating the data, at 4007, the UE 4001 reports data quality and environmental changes via uplink signaling. Based on this feedback, the base station 4002 adjusts the codebook dictionary and model-of-data parameters to optimize subsequent transmissions and ensure the system adapts to dynamic channel conditions.

[0448] Model Update Signaling: At 4008, the base station 4002 updates the model-of-data based on real-time feedback, optimizing sparse data generation policies and improving the precision and efficiency of data modeling and transmission.

[0449] This disclosure supports various sparse domain modeling techniques.

[0450] In the following, the Gaussian Mixture Model (GMM) is used as an example for sparse domain modeling. With GMM, the system can accurately describe the distribution characteristics of sparse data using a limited number of parameters, allowing for efficient data reconstruction and transmission.

[0451] Role of the GMM Model in Sparse Data Management:

[0452] Compression Sensing: GMM allows the system to perform effective probabilistic modeling of sparse data. Only a few distribution parameters need to be transmitted, providing a high-precision description of sparse data.

[0453] Data Generation and Reconstruction: At the receiving end, sparse data generated by the GMM model can be restored to its original form using the codebook dictionary, reconstructing features consistent with the original channel data. This process not only reduces transmission overhead but also allows for the dynamic generation of multiple datasets for AI task training.

[0454] By combining sparse data management with model-of-data techniques, it achieves significant improvements in system efficiency for data processing, storage, and transmission.

[0455] Storage and Transmission Efficiency: Compared to transmitting complete datasets, the system significantly reduces data volume while maintaining feature consistency by transmitting only the codebook dictionary and model-of-data, greatly improving transmission efficiency.

[0456] Flexibility and Scalability: The system can dynamically generate data as needed and supports multi-task AI model training. Downstream tasks can use data generated in the sparse domain for various training and inference scenarios, such as CSI feedback optimization and channel prediction.

[0457] FIG. 41 shows an example for GMM generation and transmission. A network node (e.g., a base station or a core network node) can obtain channel data in sparse domain (e.g., sparse data or sparse representations of the channel data) . The network node can generate a corresponding model-of-data (e.g., GMM) to describe the statistical distribution of the sparse data. The network node can transmit a codebook dictionary and the GMM to a receiving end (e.g., another base station or a UE) . The receiving end can use the GMM to generate sparse data. In addition, the receiving end can project the sparse data into the original channel space, synthesizing high-dimensional data consistent with the original. In some implementations, the receiving end can use the reconstructed channel data to train and perform inference tasks for downstream AI applications.

[0458] 4.5 Multi-Task AI Model Support and Dynamic Optimization

[0459] The disclosure supports a multi-task AI model architecture, which enhances the scalability and adaptability of the system. This architecture enables AI models to handle various tasks, such as CSI feedback, channel prediction, and user location tracking. The system uses a dynamic optimization mechanism to maintain efficient operation throughout the model lifecycle. The architecture can support multi-task AI / ML models, especially in the complex scenarios of wireless communication systems. The AI / ML models handle various tasks simultaneously, such as CSI feedback, channel prediction, and user positioning. The unified codebook dictionary and lifecycle management (LCM) framework allow the system to flexibly select, adjust, and optimize AI / ML models based on mission requirements and channel environments, ensuring efficient and stable operation throughout the system’s lifecycle.

[0460] In some implementations, the unified codebook dictionary or the merged dataset is used for at least one of an artificial intelligence (AI) model performing a plurality of tasks, or AI models deployed by a plurality of vendors within a network.

[0461] In some implementations, a network node (e.g., the UE 1901, base station A, and base station B of FIG. 19) in the wireless communication system can perform a task by using at least one of a plurality of machine learning models based on at least one of the codebook dictionary, the at least one sparse representation, or the channel data model. The task can include at least one of channel prediction, channel state information compression, and resource allocation. The plurality of machine learning models can include machine learning models deployed by different vendors. In some implementations, the network node can adjust the at least one of the plurality of machine learning models when at least one of the codebook dictionary or the channel data model is updated.

[0462] FIG. 42 illustrates an example for multi-task AI model support and dynamic optimization. As shown in FIG. 42, some aspects of a multi-task support and optimization system include:

[0463] Support for Multiple AI Tasks: The system is designed to handle a wide range of AI / ML tasks, from communication-related functions (e.g., CSI feedback and channel prediction) to non-communication tasks (e.g., environmental monitoring) . By using a unified codebook dictionary, the system can switch seamlessly between tasks without significant overhead.

[0464] Task Priority Management: The system dynamically adjusts the priority of tasks based on network environment and user requirements, ensuring that critical tasks (e.g., CSI feedback) are prioritized over less time-sensitive ones. This approach ensures continuous optimization of model performance and resource usage.

[0465] Dynamic optimization throughout lifecycle: In some implementations, the system monitors the task execution and feedback and refines the AI Models based on real-time feedback, to ensure the optimal resource usage. In addition, the system may utilize incremental learning for continuous improvement on the AI models.

[0466] FIG. 43 illustrates an example of a multi-task AI model architecture.

[0467] As shown in FIG. 43, the multi-task AI / ML model architecture enables parallel execution of multiple AI tasks within the system. Each task (e.g., CSI feedback, channel prediction, user positioning) can be executed using the same sparse data and codebook dictionary, eliminating the need for task-specific datasets or independent model training, thereby enhancing flexibility and scalability.

[0468] Unified Codebook Dictionary as Task Input:

[0469] In some implementations, all tasks are based on the same codebook dictionary and sparse data, meaning that different tasks share the same data structure, avoiding redundancy.

[0470] With the standardized representation from the codebook dictionary, AI models can process inputs from various tasks and adaptively compress and decode data according to task requirements.

[0471] Multi-Task Parallel Processing:

[0472] Multiple AI tasks, such as CSI feedback optimization, channel prediction, user behavior analysis, and location awareness, can be processed in parallel using the same sparse data.

[0473] This parallel model maximizes resource utilization, minimizes overhead from model switching, and improves system responsiveness in complex environments.

[0474] The model can automatically switch between tasks and balance the load based on task priorities, ensuring critical tasks are handled first.

[0475] FIG. 44 illustrates an example of task management and optimization throughout the lifecycle.

[0476] As shown in FIG. 44, in the LCM framework, multi-task support not only involves handling multiple tasks simultaneously but also continuously optimizing each task over the system’s lifecycle. The system dynamically adjusts to changing channel environments, user requirements, and task priorities, ensuring the AI / ML models maintain optimal performance.

[0477] Task Priority Management:

[0478] The system dynamically adjusts task priorities based on current network conditions, user requirements, and task urgency. For instance, during network congestion, critical tasks (e.g., CSI feedback or channel prediction) are prioritized to maintain core communication quality.

[0479] By analyzing the user equipment’s scenarios and channel data characteristics, the system can predict task needs and pre-adjust models. For example, if the system detects that the user is entering a high-speed scenario, it switches to enhanced channel prediction tasks.

[0480] Task Switching and Load Balancing:

[0481] The system supports flexible switching between tasks. Once a task is completed or if the channel environment changes, the system can immediately switch to the next task or adjust the load of the ongoing task.

[0482] Based on task requirements and network load, the system allocates and reallocates AI model computing resources to ensure efficient task execution and avoid performance degradation from frequent switches.

[0483] Enhanced Mission Adaptability:

[0484] The AI model adaptively adjusts its task execution strategy based on feedback and environmental changes. For instance, when the channel environment becomes more complex, the system can switch to an enhanced AI / ML model for finer channel prediction and optimized feedback.

[0485] As the user equipment moves, the channel environment deteriorates, or the network topology changes, the system quickly adapts by adjusting AI / ML model complexity and task handover policies.

[0486] FIG. 45 illustrates an example of a dynamic optimization mechanism.

[0487] As shown in FIG. 45, the dynamic optimization mechanism can be important to maintaining efficient multi-task operations throughout the system’s lifecycle. Through incremental learning, real-time feedback, and automatic adjustments, the system continuously optimizes AI / ML model performance and task execution efficiency, ensuring optimal communication quality and service across different lifecycle stages.

[0488] Incremental Learning and Model Optimization:

[0489] Using incremental learning, the system automatically adjusts AI model parameters as new data becomes available, allowing the model to adapt to new channel characteristics without requiring global retraining.

[0490] Incremental learning also enables the system to fine-tune the model according to task requirements, enhancing execution efficiency. For example, for tasks requiring higher precision in certain areas, the system can optimize model parameters accordingly.

[0491] Real-Time Feedback and Dynamic Adjustment:

[0492] The system continuously monitors channel data and task execution, generating feedback to adjust the AI model and task priorities. For instance, if a task’s execution time exceeds a threshold, the system can switch to a backup model or adjust the task policy.

[0493] Real-time feedback also helps the system anticipate potential channel issues, such as deteriorating signal quality or the UE moving into a low-coverage area, allowing the system to adjust task policies proactively.

[0494] Lifecycle Task Optimization:

[0495] The system continuously optimizes task execution throughout the lifecycle by analyzing long-term channel data and task feedback. This process identifies execution bottlenecks and adjusts model structures and task sequences to enhance overall performance.

[0496] The system uses historical data and accumulated channel feedback to predict and optimize future task execution policies, thereby improving efficiency.

[0497] Practical applications of multi-task models in wireless communication are described below.

[0498] In real-world wireless communication scenarios, the multi-task AI model must handle several complex tasks simultaneously. Below are a few specific application scenarios:

[0499] CSI Feedback and Compression:

[0500] In the CSI feedback process, the system compresses, transmits, and decompresses CSI data using a unified codebook dictionary and AI model. Based on real-time feedback, the system adjusts the priority of CSI feedback to ensure the quality of critical communication tasks.

[0501] Channel Prediction and Resource Scheduling:

[0502] The multi-task AI model supports channel prediction tasks by analyzing historical and real-time channel data. The AI model predicts future channel conditions and intelligently schedules network resources based on task priorities.

[0503] During channel prediction, the system can dynamically adjust channel allocation and beamforming strategies according to the prediction results, ensuring optimal communication efficiency and network performance.

[0504] User Positioning and Trajectory Prediction:

[0505] The multi-task AI model performs real-time positioning and trajectory prediction based on the UE’s channel data. In some implementations, using channel feedback and environment awareness data, the system can adjust the priority of positioning tasks to ensure high-precision positioning in key scenarios.

[0506] In the present disclosure, the terms “a” or “an” are defined to mean “at least one” , that is, these terms do not exclude a plural number of items, unless stated otherwise.

[0507] In the present disclosure, terms such as “substantially” , “generally” and “about” , which modify a value, condition or characteristic of a feature of an example embodiment, should be understood to mean that the value, condition or characteristic is defined within tolerances that are acceptable for the proper operation of the example embodiment for its intended application.

[0508] In the present disclosure, unless stated otherwise, the terms “connected” and “coupled” , and derivatives and variants thereof, refer herein to any structural or functional connection or coupling, either direct or indirect, between two or more elements. For example, the connection or coupling between the elements can be acoustical, mechanical, optical, electrical, thermal, logical, or any combinations thereof.

[0509] In the present disclosure, expressions such as “match” , “matching” and “matched” , including variants and derivatives thereof, are intended to refer herein to a condition in which two or more elements are either the same or within some predetermined tolerance of each other. That is, these terms are meant to encompass not only “exactly” or “identically” matching the two elements but also “substantially” , “approximately” or “subjectively” matching the two or more elements, as well as providing a higher or best match among a plurality of matching possibilities.

[0510] In the present disclosure, the expression “based on” is intended to mean “based at least partly on” , that is, this expression can mean “based solely on” or “based partially on” , and so should not be interpreted in a limited manner. More particularly, the expression “based on” could also be understood as meaning “depending on” , “representative of” , “indicative of” , “associated with” or similar expressions.

[0511] In the present disclosure, the terms "system" and "network" may be used interchangeably in different embodiments of this application. "At least one" means one or more, and "a plurality of" means two or more. The term "and / or" describes an association relationship of associated objects, and indicates that three relationships may exist. For example, A and / or B may indicate the following three cases: Only A exists, both A and B exist, and only B exists, where A and B may be singular or plural. The character " / " indicates an "or" relationship between associated objects. "At least one of the following items (pieces) " or a similar expression thereof indicates any combination of these items, including a single item (piece) or any combination of a plurality of items (pieces) . For example, "at least one of A, B, or C" includes: only A; only B; only C; A and B; A and C; B and C; or A, B, and C, and "at least one of A, B, and C" may also be understood as including: only A; only B; only C; A and B; A and C; B and C; or A, B, and C. In addition, unless otherwise specified, ordinal numbers such as "first" and "second" in embodiments of this application are used to distinguish between a plurality of objects, and are not used to limit a sequence, a time sequence, priorities, or importance of the plurality of objects.

[0512] A person skilled in the art should understand that embodiments of this application may be provided as a method, an apparatus (or system) , computer-readable storage medium, or a computer program product. Therefore, this application may use a form of a hardware-only embodiment, a software-only embodiment, or an embodiment with a combination of software and hardware. Moreover, this application may use a form of a computer program product that is implemented on one or more computer-usable storage media (including but not limited to a disk memory, an optical memory, and the like) that include computer-usable program code.

[0513] This application is described with reference to the flowcharts and / or block diagrams of the method, the device (system) , and the computer program product according to this application. It should be understood that computer program instructions may be used to implement each process and / or each block in the flowcharts and / or the block diagrams and a combination of a process and / or a block in the flowcharts and / or the block diagrams. The computer program instructions may be provided for a general-purpose computer, a dedicated computer, an embedded processor, or a processor of another programmable data processing device and enable a machine to execute the instructions. When executed by any computer or the processor of a programmable data processing device, the instructions cause the apparatus to implement specific functions as described in one or more procedures in the flowcharts and / or one or more blocks in the block diagrams. The computer program instructions may alternatively be stored in a computer-readable memory that can indicate a computer or another programmable data processing device to work in a specific manner, so that the instructions stored in the computer-readable memory generate an artifact that includes an instruction apparatus. The instruction apparatus implements a specific function in one or more procedures in the flowcharts and / or one or more blocks in the block diagrams.

[0514] The computer program instructions may alternatively be loaded onto a computer or another programmable data processing device, so that a series of operations and steps are performed on the computer or the other programmable data processing device, so that computer-implemented processing is generated. Therefore, the instructions executed on the computer or on another programmable device provide steps for implementing specific functions as described in one or more procedures in the flowcharts and / or one or more blocks in the block diagrams.

[0515] It is clear that a person skilled in the art can make various modifications and variations to this application without departing from the scope of this disclosure. This disclosure is intended to cover these modifications and variations of this application provided that they fall within the scope of protection defined by the following claims and their equivalent technologies.

[0516] In general, the present disclosure provides at least the following aspects:

[0517] 1. An example method for data management, comprising:

[0518] collecting a first dataset from at least one first network node, where the first dataset indicates first channel status related to the at least one first network node; and

[0519] representing the first dataset using a first codebook dictionary and an associated first sparse representation consisting of M first coefficients, wherein the first sparse representation is expressed as a weighted combination of the M coefficients corresponding to M basic vectors in the first codebook dictionary, wherein M is a positive integer.

[0520] 2. The method of example 1, further comprising:

[0521] collecting a second dataset from at least one second network node, wherein the second dataset indicates second channel status related to the at least one second network node; and

[0522] representing the second dataset using a second codebook dictionary and an associated second sparse representation consisting of N second coefficients, wherein the second sparse representation is expressed as a weighted combination of N coefficients corresponding to N basic vectors in the second codebook dictionary, wherein N is a positive integer.

[0523] 3. The method of example 2, further comprising:

[0524] merging the first dataset and the second dataset to form a merged dataset, wherein the merged dataset comprising a unified codebook dictionary with K basic vectors, and a sparse representation that is a weighted combination of K coefficients corresponding to K basic vectors in the unified codebook dictionary, wherein K is a positive integer and K≤M+N.

[0525] 4. The method of example 3, wherein the merged dataset comprises a unified codebook dictionary and a sparse representation, comprising:

[0526] expressing the merged dataset by a model-of-data, wherein the model-of-data describes a statistical distribution and / or inherent channel patterns of the K coefficients in the sparse representation.

[0527] 5. The method of example 3, further comprising:

[0528] sending information, wherein the information indicates the unified codebook dictionary, the merged dataset, or the sparse representation.

[0529] 6. The method of example 3, further comprising:

[0530] receiving updated information, wherein the updated information indicates at least one basic vector that does not belong to the unified codebook dictionary; and

[0531] updating the unified codebook dictionary by adding the at least one basic vector.

[0532] 7. The method of any one of examples 3 to 6, further comprising:

[0533] receiving information indicating a third sparse metric consisting of X third coefficients; and

[0534] deducing third channel status based on the X third coefficients and the corresponding X basic vectors in the unified codebook dictionary, wherein X is a positive integer.

[0535] 8. The method of any one of examples 3 to 7, wherein the first channel status and the second channel status indicate channel statuses from different time intervals.

[0536] 9. The method of any one of examples 3 to 8, further comprising:

[0537] sending information indicating a first subset of the merged dataset, wherein the merged dataset further comprises a second subset, each subset corresponding to at least one of a specific channel status or a specific location.

[0538] 10. The method of any one of examples 3 to 9, wherein:

[0539] the unified codebook dictionary is a dictionary within a wireless network comprising a plurality of network nodes; or

[0540] the merged dataset is a unified dataset within a wireless network comprising the plurality of network nodes.

[0541] 11. The method of any one of examples 3 to 10, wherein the unified codebook dictionary or the merged dataset is a subset of another codebook dictionary or dataset within the wireless network comprising a plurality of network nodes.

[0542] 12. The method of example 11, wherein

[0543] the unified codebook dictionary or the merged dataset is used for at least one of:

[0544] an artificial intelligence (AI) model performing a plurality of tasks, or

[0545] AI models deployed by a plurality of vendors within a network.

[0546] 13. The method of any one of examples 3 to 12, further comprising:

[0547] receiving information related to at least one of a specific channel status, a specific location or user feedback on the performance;

[0548] updating the unified codebook dictionary or the merged dataset based on the information, wherein the updating comprising at least one of:

[0549] removing at least one basic vector from the unified codebook dictionary,

[0550] adding at least one basic vector to the unified codebook dictionary;

[0551] removing at least one coefficient from the sparse representation; or

[0552] adding at least one coefficient to the sparse representation.

[0553] 14. The method of example 13, further comprising:

[0554] updating an AI model, wherein the updating comprising adjusting the complexity of the AI model based on the updating of the unified codebook dictionary, the merged dataset or the sparse representation.

[0555] 15. The method of any one of examples 4 to 14, wherein a management of the unified codebook dictionary is independent of the model-of-data, wherein the management comprising updating, cleaning, or redundancies detecting within the codebook dictionary based on new data.

[0556] 16. The method of any one of examples 4 to 14, further comprising:

[0557] updating the sparse representation based on new data using the model-of-data, wherein updating to the sparse representation does not affect the unified codebook dictionary if the updating meets a preconfigured condition.

[0558] 17. The method of any one of examples 4 to 16, wherein:

[0559] in response to changes in data indicating that channel status meets a preconfigured condition, both the unified codebook dictionary and the model-of-data are updated, wherein the unified codebook dictionary is updated to reflect new patterns appearing within the data, and the model-of-data is updated to reflect changes in the sparse representation based on the updated unified codebook dictionary.

[0560] 18. The method of any one of examples 4 to 17, further comprising:

[0561] performing management on the merged dataset across two levels, including:

[0562] codebook dictionary management that handles dataset fusion, updating, cleaning, and redundancy detection on the unified codebook dictionary; and

[0563] sparse representation management that focuses on maintaining and updating the model-of-data related to codeword indices and their distributions.

[0564] 19. The method of any one of examples 4 to 18, wherein:

[0565] upon receiving new data, determining whether to update the unified codebook dictionary, the sparse representation, or both, based on the magnitude of changes in the dataset;

[0566] if the magnitude of changes is less than or equal to a threshold, updating the model-of-data related to the sparse representation while keeping the unified codebook dictionary unchanged;

[0567] if the magnitude of changes is greater than the threshold, updating the unified codebook dictionary and subsequently updating the model-of-data to reflect the new structure of the updated unified codebook dictionary.

[0568] 20. The method of any one of examples 1 to 18, wherein the at least one first network node comprises at least one user equipment (UE) or at least one base station (BS) .

[0569] 21. An example method for dataset management in a wireless communication system, comprising:

[0570] collecting channel data from a plurality of network nodes, wherein the plurality of network nodes comprises at least one of:one or more user equipment (UEs) and one or more base stations (BSs) , wherein the channel data is continuously aggregated into a dataset representing channel status over time and space;

[0571] representing the dataset using a unified codebook dictionary, wherein the unified codebook dictionary contains N basic vectors, and channel data samples are compressed into a sparse representation using combinations of a plurality of basic vectors from the codebook dictionary;

[0572] generating a model-of-data based on the sparse representation, wherein the model-of-data captures at least one of statistical distributions, inherent modes, and patterns within the dataset;

[0573] storing and managing the dataset, including the unified codebook dictionary and the model-of-data.

[0574] 22. The method of example 21, wherein:

[0575] updating the dataset in response to newly collected channel data, wherein at least one of the sparse representation or the unified codebook dictionary is updated based on the nature of the new data.

[0576] 23. The method of example 22, further comprising:

[0577] updating the model-of-data based on the updated sparse representation while maintaining the unified codebook dictionary unchanged, if the newly collected channel data alters the statistical distribution or patterns within the sparse representation but does not affect the unified codebook dictionary itself.

[0578] 24. The method of example 22 or 23, wherein:

[0579] updating the codebook dictionary based on the newly collected channel data, and

[0580] updating the model-of-data to align with the updated unified codebook dictionary, wherein the updating of the unified codebook dictionary includes modifying, removing, or adding basic vectors.

[0581] 25. An example method for dataset fusion in a wireless communication system, comprising:

[0582] receiving datasets from a plurality of network nodes, wherein the plurality of network nodes comprises at least one of: one or more user equipment (UEs) , one or more base stations (BSs) , or one or more core network entities, wherein each of the datasets includes a codebook dictionary and a sparse representation of channel data;

[0583] fusing the datasets by aligning their codebook dictionaries and sparse representations, and detecting and eliminating redundancy across multiple datasets;

[0584] storing the fused dataset.

[0585] 26. The method of example 25, wherein:

[0586] identifying and removing repeated or redundant data in the sparse representations of the datasets.

[0587] 27. An example method for transmitting dataset updates in a wireless communication system, comprising:

[0588] updating a codebook dictionary or sparse representation corresponding to the codebook dictionary based on channel data, wherein the codebook dictionary is associated with a sparse representation;

[0589] transmitting the updated codebook dictionary and corresponding model-of-data from one network node to another, wherein the network nodes are a base station (BS) , core network or UEs, if the codebook dictionary is updated, wherein the model-of-data indicates the sparse representation.

[0590] 28. The method of example 27, wherein:

[0591] if the sparse representation is updated and the codebook dictionary is not updated, transmitting only updated model-of-data indicating the updated sparse representation, without transmitting the codebook dictionary.

[0592] 29. An example method for synthetic data generation using a codebook dictionary, comprising:

[0593] generating synthetic channel data based on a codebook dictionary and a model-of-data, wherein the synthetic channel data mimics real channel conditions.

[0594] 30. The method of example 29, wherein:

[0595] sampling from a statistical distribution captured by the model-of-data; and

[0596] mapping the results of the sampling back to the codebook dictionary to reconstruct the synthetic channel data.

[0597] 31. An example method for managing updates in a wireless communication system, comprising:

[0598] detecting changes in the channel data;

[0599] updating at least one of a codebook dictionary or a model-of-data based on the detected changes, wherein the model-of-data indicates a sparse representation, the codebook dictionary and sparse representation indicates a channel condition; and

[0600] transmitting information indicating the updated codebook dictionary or the updated model-of-data.

[0601] 32. An example wireless communication system, comprising a plurality of network nodes, wherein the plurality of network nodes comprises at least one of: one or more user equipment (UEs) , one or more base stations (BSs) or one or more core network entities, wherein the wireless communication system is configured to:

[0602] collect and manage a dataset representing channel data,

[0603] generate and update a codebook dictionary,

[0604] generate a model-of-data that encapsulates the statistical distributions and patterns of a sparse representation associated with the codebook dictionary,

[0605] share the dataset, the codebook dictionary, and the model-of-data across the plurality of network nodes.

[0606] 33. The system of example 32, wherein the system is further configured to:

[0607] incrementally update the sparse representation or the codebook dictionary.

[0608] 34. An example method for ensuring AI model synchronization using the codebook dictionary and model-of-data, comprising:

[0609] applying AI models with a dataset, wherein the dataset includes a codebook dictionary and an associated sparse representation, wherein a model-of-data indicates the statistical distributions and patterns of the sparse representation;

[0610] updating at least one of the dataset, the model-of-data, or the sparse representation based on new channel data; and

[0611] updating AI models based on the updated dataset or the updated model-of-data, wherein the AI models perform tasks including at least one of channel prediction, CSI compression, or resource allocation.

Claims

1.A method comprising:obtaining a dataset, wherein the dataset comprises at least first channel information indicating status of a channel associated with a first network node; andobtaining a codebook dictionary based on the dataset, wherein the codebook dictionary comprises at least one codeword.2.The method of claim 1, wherein the obtaining the codebook dictionary comprises:determining the codebook dictionary based on the dataset.3.The method of claim 1 or claim 2, further comprising:transmitting the codebook dictionary.4.The method of any one of claims 1-3, wherein the obtaining the dataset comprise:receiving a first local dataset from the first network node, wherein the first local dataset comprises at least the first channel information;receiving a second local dataset from a second network node, wherein the second local dataset comprises at least a second channel information, wherein the second channel information indicates status of a channel associated with the second network node; anddetermining the dataset, wherein the dataset based on the first local dataset and the second local dataset.5.The method of claim 1, wherein:the dataset is a first local dataset; andthe obtaining the codebook dictionary comprises:determining a first local codebook dictionary based on the first local dataset;receiving a second local codebook dictionary from a second network node; anddetermining the codebook dictionary based on the first local codebook dictionary and the second local codebook dictionary.6.The method of claim 5, wherein the first local codebook dictionary comprises M codewords, the second local codebook dictionary comprises N codewords, the codebook dictionary comprises K codewords, M, N, and K are positive integers, and K ≤M+N.7.The method of claim 5 or claim 6, further comprising:transmitting the first local codebook dictionary to the second network node.8.The method of any one of claims 1-7, further comprising:determining a channel data model indicating a pattern associated with at least one sparse representation, wherein each of the at least one sparse representation is based on the codebook dictionary and a piece of channel information in the dataset.9.The method of claim 8, further comprising:determining the at least one sparse representation.10.The method of claim 8 or claim 9, further comprising:transmitting information indicating at least one of a subset of the codebook dictionary, a subset of the at least one sparse representation, and a part of the channel data model associated with status of a channel associated with a second network node or a location of the second network node.11.The method of any one of claims 8-10, wherein the codebook dictionary or the channel data model is associated with a wireless network comprising a plurality of network nodes.12.The method of any one of claims 8-11, wherein the codebook dictionary or the channel data model is part of another codebook or another channel data model associated with a wireless network comprising a plurality of network nodes.13.The method of any one of claims 8-12, further comprising:updating at least one of the codebook dictionary, the at least one sparse representation, or the channel data model based on an update trigger, wherein the update trigger is associated with at least one of:status of a channel;a location;performance feedback;a new dataset; ora new codebook dictionary comprising one or more new codewords.14.The method of claim 13, wherein the updating comprises at least one of:removing an existing codeword from the codebook dictionary;adding a new codeword to the codebook dictionary;removing a coefficient from the at least one sparse representation; oradding a coefficient to the at least one sparse representation.15.The method of claim 13 or claim 14, wherein the updating comprises pre-processing the new dataset, one or more sparse representations associated with the new dataset, or the new codebook dictionary.16.The method of claim 15, wherein the pre-processing comprises at least one of normalization, data cleaning, noise removing, out-of-distribution (OOD) detection, or redundancy detection.17.The method of any one of claims 13-16, wherein the updating comprises:updating both the codebook dictionary and the channel data model when the update trigger satisfies a first preconfigured condition; orupdating the channel data model but not the codebook dictionary when the update trigger satisfies a second preconfigured condition.18.The method of any one of claims 13-17, further comprising:transmitting updated information that indicates at least one of the updated codebook dictionary or the updated channel data model.19.The method of any one of claims 8-18, further comprising:performing a task by using at least one of a plurality of machine learning models based on at least one of the codebook dictionary, the at least one sparse representation, or the channel data model.20.The method of claim 19, wherein the task includes at least one of channel prediction, channel state information compression, and resource allocation.21.The method of claim 19, wherein the plurality of machine learning models comprises machine learning models deployed by different vendors.22.The method of any one of claims 19-21, further comprising:adjusting the at least one of the plurality of machine learning models when at least one of the codebook dictionary or the channel data model is updated.23.A method comprising:receiving a first local codebook dictionary from a first network node;receiving a second local codebook dictionary from a second network node; anddetermining a codebook dictionary based on the first local codebook dictionary and the second local codebook dictionary.24.The method of claim 23, wherein the first local codebook dictionary comprises M codewords, the second local codebook dictionary comprises N codewords, the codebook dictionary comprises K codewords, M, N, and K are positive integers, and K ≤M+N.25.The method of claim 23 or claim 24, further comprising:transmitting the codebook dictionary to the first network node and the second network node.26.A method comprising:transmitting a dataset, wherein the dataset comprises at least first channel information indicating status of a channel associated with a network node; andreceiving a codebook dictionary based on the dataset, wherein the codebook dictionary comprises at least one codeword.27.The method of claim 26, further comprising:determining a sparse representation based on second channel information and the codebook dictionary.28.The method of claim 26 or claim 27, further comprising:transmitting an update trigger, wherein the update trigger is associated with at least one of:status of a channel;a location;performance feedback;a new dataset; ora new codebook dictionary comprising one or more new codewords.29.The method of claim 28, further comprising:receiving an updated codebook dictionary based on the update trigger.30.An apparatus, configured to perform the method of any one of claims 1-22 or any one of claims 26-29.31.An apparatus comprising:a processing unit configured to:obtain a dataset, wherein the dataset comprises at least first channel information indicating status of a channel associated with a first network node; andobtain a codebook dictionary based on the dataset, wherein the codebook dictionary comprises at least one codeword.32.An apparatus comprising:a transmitting unit configured to transmit a dataset, wherein the dataset comprises at least first channel information indicating status of a channel associated with a network node; anda receiving unit configured to receive a codebook dictionary based on the dataset, wherein the codebook dictionary comprises at least one codeword.33.An apparatus comprising:one or more processors; andan interface circuit configured to:obtain a dataset, wherein the dataset comprises at least first channel information indicating status of a channel associated with a first network node; andobtain a codebook dictionary based on the dataset, wherein the codebook dictionary comprises at least one codeword.34.An apparatus comprising:one or more processors; andan interface circuit configured to:transmit a dataset, wherein the dataset comprises at least first channel information indicating status of a channel associated with a network node; andreceive a codebook dictionary based on the dataset, wherein the codebook dictionary comprises at least one codeword.35.The apparatus of claim 33 or claim 34, wherein the interface circuit comprises one or more transceivers.36.An apparatus comprising:one or more processors; andone or more memories storing instructions which, when executed by the one or more processors, cause the apparatus to perform the method of any one of claims 1-22 or any one of claims 26-29.37.A communication system, wherein the communication system comprises a first apparatus configured to perform the method of any one of claims 1-22 and a second apparatus configured to perform the method of any one of claims 26-29.38.A non-transitory computer-readable storage medium having instructions stored thereon which, when executed by an apparatus, cause the apparatus to perform the method of any one of claims 1-22 or any one of claims 26-29.39.A computer program product storing instructions which, when executed, cause an apparatus to perform the method of any one of claims 1-22 or any one of claims 26-29.40.An apparatus, configured to perform the method of any one of claims 23-25.41.An apparatus comprising:a receiving unit configured to:receive a first local codebook dictionary from a first network node; andreceive a second local codebook dictionary from a second network node; anda processing unit configured to:determine a codebook dictionary based on the first local codebook dictionary and the second local codebook dictionary.42.An apparatus comprising:one or more processors; andan interface circuit configured to:receive a first local codebook dictionary from a first network node; andreceive a second local codebook dictionary from a second network node.43.The apparatus of claim 42, wherein the interface circuit comprises one or more transceivers.44.An apparatus comprising:one or more processors; andone or more memories storing instructions which, when executed by the one or more processors, cause the apparatus to perform the method of any one of claims 23-25.45.A communication system, wherein the communication system comprises an apparatus configured to perform the method of any one of claims 23-25.46.A non-transitory computer-readable storage medium having instructions stored thereon which, when executed by an apparatus, cause the apparatus to perform the method of any one of claims 23-25.47.A computer program product storing instructions which, when executed, cause an apparatus to perform the method of any one of claims 23-25.

Images