Federated META learning training collaboration for ai / ML CSI feedback

Abstract

A method of training a two-sided CSI AI / ML model using federated meta-learning is disclosed that comprises receiving, at the UE, an initialization value from a server and training an encoder AI / ML model portion of the CSI AI / ML model using the initialization value and a task specific support set of data to form a trained encoder AI / ML model. The trained encoder AI / ML model is tested using a separate query set of data to determine a test loss value. The test loss value for the trained AI / ML model is sent to the server to enable the server to aggregate test loss for a plurality of UEs and calculate an updated initialization value that reduces the aggregated test loss for the plurality of UEs. The updated initialization value is received at the UE and used in training to form an updated encoder model. The updated encoder AI / ML model can infer CSI feedback information.

Description

FEDERATED META LEARNING TRAINING COLLABORATION FOR AI / ML CSI FEEDBACKFIELD

[0001] Embodiments of the invention relate to wireless communications, including apparatuses, systems, and methods for enabling federated meta learning training collaboration for Artificial Intelligence / Machine Learning (AI / ML) for channel state information (CSI) feedback in wireless communication systems.DESCRIPTION OF THE RELATED ART

[0002] Wireless communication systems are used to provide various communication services such as telephone, video, data and messaging. The wireless communication systems can support communication with multiple users by sharing available system resources such as bandwidth and transmit power.

[0003] The wireless communication system may include a number of base stations (BSs) that can support communication for a number of user equipment (UEs) . A BS may be referred to as a Node B, a gNB, an access point (AP) , a radio head, a transmit receive point (TRP) , a New Radio (NR) BS, a 5G Node B, or the like. A UE may be referred to as a wireless mobile device or cellular phone.

[0004] Telecommunication standards have been adopted to provide a common protocol to enable different UEs and BSs to communicate on a municipal, national, regional, and even global level. Wireless communication system standards and protocols can include the 3rd Generation Partnership Project (3GPP) long term evolution (LTE) (e.g., 4G) or new radio (NR) (e.g., 5G) . In 3GPP radio access networks (RANs) in LTE systems, the base station can include a RAN Node such as an Evolved Universal Terrestrial Radio Access Network (E-UTRAN) Node B (also commonly denoted as evolved Node B, enhanced Node B, eNodeB, or eNB) and / or Radio Network Controller (RNC) in an E-UTRAN, which communicate with the UE. In fifth generation (5G) wireless RANs, RAN Nodes can include a 5G Node, or NR node (also referred to as a next generation Node B or g Node B (gNB) ) .BRIEF DESCRIPTION OF THE DRAWINGS

[0005] A better understanding of the present subject matter can be obtained when the following detailed description of various embodiments is considered in conjunction with the following drawings, in which:

[0006] FIG. 1A illustrates an example wireless communication system according to some embodiments.

[0007] FIG. 1 B illustrates an example of a base station and an access point in communication with a user equipment (UE) device, according to some embodiments.

[0008] FIG. 2 illustrates an example block diagram of a base station, according to some embodiments.

[0009] FIG. 3 illustrates an example block diagram of a server according to some embodiments.

[0010] FIG. 4 illustrates an example block diagram of a UE according to some embodiments.

[0011] FIG. 5 illustrates an example block diagram of cellular communication circuitry, according to some embodiments.

[0012] FIG. 6 illustrates an example of a baseband processor architecture for a UE, according to some embodiments.

[0013] FIG. 7 illustrates an example block diagram of an interface of baseband circuitry according to some embodiments.

[0014] FIG. 8 illustrates example components of a core network in accordance with some embodiments.

[0015] FIG. 9A illustrates an example of an autoencoder-based two-sided AI / ML model for implicit CSI feedback in accordance with some embodiments.

[0016] FIG. 9B illustrates an example of an autoencoder-based two-sided AI / ML model for explicit CSI feedback in accordance with some embodiments.

[0017] FIG. 10 illustrates an example model for training an AI / ML model in a distributed edge network using federated learning, according to some  embodiments.

[0018] FIG. 11 illustrates an example diagram of UEs operating at different concentric distances from a base station, according to some embodiments.

[0019] FIG. 12 illustrates a diagram of a two-sided AI / ML model for CSI feedback with a global decoder operating at the base station / network and a global encoder operating at each of k UEs, according to some embodiments.

[0020] FIG. 13 illustrates a diagram of a two-sided AI / ML model for CSI feedback with a global decoder operating at the base station / network and a fine-tuned encoder operating at each of k UEs that uses federated learning plus meta-learning, according to some embodiments.

[0021] FIG. 14 illustrates a diagram for using federated meta-learning to train an AI / ML model in a distributed network , according to some embodiments.

[0022] FIG. 15 illustrates an example process for performing the federated meta-learning of FIG. 14, according to some embodiments.

[0023] FIG. 16 illustrates an example flow chart for a method of performing CSI feedback with a CSI AI / ML model at a user equipment in a wireless communication system, according to some embodiments.

[0024] FIG. 17 illustrates an example flow chart for a method of training a CSI AI / ML model at a server in a wireless communication system, according to some embodiments.

[0025] While the features described herein may be susceptible to various modifications and alternative forms, specific embodiments thereof are shown by way of example in the drawings and are herein described in detail. It should be understood, however, that the drawings and detailed description thereto are not intended to be limiting to the particular form disclosed, but on the contrary, the intention is to cover all modifications, equivalents and alternatives falling within the spirit and scope of the subject matter as defined by the appended claims.DETAILED DESCRIPTION

[0026] Terms

[0027] The following is a glossary of terms used in this disclosure:

[0028] Memory Medium or Memory –Any of various types of non-transitory memory devices or storage devices. The term “memory medium” is intended to include an installation medium, e.g., a CD-ROM, floppy disks, or tape device; a computer system memory or random-access memory such as DRAM, DDR RAM, SRAM, EDO RAM, Rambus RAM, etc. ; a non-volatile memory such as a Flash, magnetic media, e.g., a hard drive, or optical storage; registers, or other similar types of memory elements, etc. The memory medium may include other types of non-transitory memory as well or combinations thereof. In addition, the memory medium may be located in a first computer system in which the programs are executed, or may be located in a second different computer system which connects to the first computer system over a network, such as the Internet. In the latter instance, the second computer system may provide program instructions to the first computer for execution. The term “memory medium” may include two or more memory mediums which may reside in different locations, e.g., in different computer systems that are connected over a network. The memory medium may store program instructions (e.g., embodied as computer programs) that may be executed by one or more processors.

[0029] Carrier Medium –a memory medium as described above, as well as a physical transmission medium, such as a bus, network, and / or other physical transmission medium that conveys signals such as electrical, electromagnetic, or digital signals.

[0030] Programmable Hardware Element includes various hardware devices comprising multiple programmable function blocks connected via a programmable interconnect. Examples include FPGAs (Field Programmable Gate Arrays) , PLDs (Programmable Logic Devices) , FPOAs (Field Programmable Object Arrays) , and CPLDs (Complex PLDs) . The programmable function blocks may range from fine grained (combinatorial logic or look up tables) to coarse grained (arithmetic logic units or processor cores) . A programmable hardware element may also be referred to as "reconfigurable logic” .

[0031] Computer System (or Computer) –any of various types of computing or processing systems, including a personal computer system (PC) , mainframe  computer system, workstation, network appliance, Internet appliance, personal digital assistant (PDA) , television system, grid computing system, or other device or combinations of devices. In general, the term "computer system" can be broadly defined to encompass any device (or combination of devices) having at least one processor that executes instructions from a memory medium.

[0032] User Equipment (UE) (or “UE Device” ) –any of various types of computer systems devices which are mobile or portable and which performs wireless communications. Examples of UE devices include mobile telephones or smart phones (e.g., iPhoneTM, AndroidTM-based phones) , portable gaming devices (e.g., Nintendo DSTM, PlayStation PortableTM, Gameboy AdvanceTM, iPhoneTM) , laptops, wearable devices (e.g., smart watch, smart glasses) , PDAs, portable Internet devices, Internet of Things, music players, data storage devices, other handheld devices, unmanned aerial vehicles (UAVs) (e.g., drones) , UAV controllers (UACs) , and so forth. In general, the term “UE” or “UE device” can be broadly defined to encompass any electronic, computing, and / or telecommunications device (or combination of devices) which is easily transported by a user and capable of wireless communication.

[0033] Base Station –The term “Base Station” has the full breadth of its ordinary meaning, and at least includes a wireless communication station installed at a fixed location and used to communicate with UEs as part of a wireless telephone system or radio system, including but not limited Next Generation Node-Bs (gNB or gNodeB) in NR and NG-RAN nodes.

[0034] Processing Element (or Processor) –refers to various elements or combinations of elements that are capable of performing a function in a device, such as a user equipment or a cellular network device. Processing elements may include, for example: processors and associated memory, portions or circuits of individual processor cores, entire processor cores, processor arrays, circuits such as an ASIC (Application Specific Integrated Circuit) , programmable hardware elements such as a field programmable gate array (FPGA) , as well any of various combinations of the above.

[0035] Channel -a medium used to convey information from a sender (transmitter) to a receiver. It should be noted that since characteristics of the term  “channel” may differ according to different wireless protocols, the term “channel” as used herein may be considered as being used in a manner that is consistent with the standard of the type of device with reference to which the term is used. In some standards, channel widths may be variable (e.g., depending on device capability, band conditions, etc. ) . For example, LTE may support scalable channel bandwidths from 1.4 MHz to 20MHz. 5G NR can support scalable channel bandwidths from 5 MHz to 100 MHz in Frequency Range 1 (FR1) and up to 400 MHz in FR2. In other radio access technologies, WLAN channels may be 22 MHz wide while Bluetooth channels may be 1 MHz wide. Other protocols and standards may include different definitions of channels. Furthermore, some standards may define and use multiple types of channels, e.g., different channels for uplink or downlink and / or different channels for different uses such as data, control information, etc.

[0036] Band -The term "band" has the full breadth of its ordinary meaning, and at least includes a section of spectrum (e.g., radio frequency spectrum) in which channels are used or set aside for the same purpose.

[0037] Automatically –refers to an action or operation performed by a computer system (e.g., software executed by the computer system) or device (e.g., circuitry, programmable hardware elements, ASICs, etc. ) , without user input directly specifying or performing the action or operation. Thus, the term "automatically" is in contrast to an operation being manually performed or specified by the user, where the user provides input to directly perform the operation. An automatic procedure may be initiated by input provided by the user, but the subsequent actions that are performed “automatically” are not specified by the user, i.e., are not performed “manually” , where the user specifies each action to perform. For example, a user filling out an electronic form by selecting each field and providing input specifying information (e.g., by typing information, selecting check boxes, radio selections, etc. ) is filling out the form manually, even though the computer system will update the form in response to the user actions. The form may be automatically filled out by the computer system where the computer system (e.g., software executing on the computer system) analyzes the fields of the form and fills in the form without any user input specifying the answers to the fields. As indicated above, the user may invoke the automatic filling of the form, but is not  involved in the actual filling of the form (e.g., the user is not manually specifying answers to fields but rather they are being automatically completed) . The present specification provides various examples of operations being automatically performed in response to actions the user has taken.

[0038] Approximately -refers to a value that is almost correct or exact. For example, approximately may refer to a value that is within 1 to 10 percent of the exact (or desired) value. It should be noted, however, that the actual threshold value (or tolerance) may be application dependent. For example, in some embodiments, “approximately” may mean within 0.1%of some specified or desired value, while in various other embodiments, the threshold may be, for example, 2%, 3%, 5%, and so forth, as desired or as set by the particular application.

[0039] Concurrent –refers to parallel execution or performance, where tasks, processes, or programs are performed in an at least partially overlapping manner. For example, concurrency may be implemented using “strong” or strict parallelism, where tasks are performed (at least partially) in parallel on respective computational elements, or using “weak parallelism” , where the tasks are performed in an interleaved manner, e.g., by time multiplexing of execution threads.

[0040] Legacy -The 3rd Generation Partnership Project (3GPP) produces specifications that define 3GPP technologies. 3GPP specifications cover cellular telecommunications technologies, including radio access, core network and service capabilities, which provide a complete system description for mobile telecommunications. 3GPP uses a system of parallel “Releases” that provide developers with a stable platform for the implementation of features at a given point and then allow for the addition of new functionality in subsequent releases. Release 17 was released in 2022. Release 18 (Rel-18) , at the time of this disclosure, is nearing release on June 22, 2024, as its specifications have been largely defined. Accordingly, implementations and concepts compatible with Rel-18, or previous Releases, are sometimes referred to herein as “Legacy Releases. ” One or more embodiments of the present disclosure may be adopted in future Releases, e.g., Release 19.

[0041] Federated Learning -Federated learning comprises training a machine learning process, such as a neural network, on multiple local datasets that are  stored at local UEs without explicitly exchanging data samples. The general principle consists of training local models using local data samples at the local UEs and communicating parameters, such as weights or biases of the neural network between these local UEs to generate a global model shared by all nodes. The weights or biases may be communicated to a central location, such as a server or a 3GPP network entity, and combined to generate the global model shared by all nodes.

[0042] Meta learning –a subcategory of machine learning that trains artificial intelligence (AI) models to understand and adapt to new tasks to learn and extract transferrable knowledge from previous tasks to train a well-initialized model capable of quickly adapting to new tasks.

[0043] Various components may be described as “configured to” perform a task or tasks. In such contexts, “configured to” is a broad recitation generally meaning “having structure that” performs the task or tasks during operation. As such, the component can be configured to perform the task even when the component is not currently performing that task (e.g., a set of electrical conductors may be configured to electrically connect a module to another module, even when the two modules are not connected) . In some contexts, “configured to” may be a broad recitation of structure generally meaning “having circuitry that” performs the task or tasks during operation. As such, the component can be configured to perform the task even when the component is not currently on. In general, the circuitry that forms the structure corresponding to “configured to” may include hardware circuits.

[0044] Various components may be described as performing a task or tasks, for convenience in the description. Such descriptions should be interpreted as including the phrase “configured to. ” Reciting a component that is configured to perform one or more tasks is expressly intended not to invoke 35 U. S. C. § 112 (f) interpretation for that component.

[0045] The example embodiments may be further understood with reference to the following description and the related appended drawings, wherein like elements are provided with the same reference numerals. The example embodiments relate to apparatuses, systems and method for an artificial intelligence / machine learning (AI / ML) monitoring procedure that is proactive. Actions to improve performance  (e.g. switching AI / ML models) can be taken before an active AI / ML model’s performance degrades to maintain the performance without wasting resources for extra monitoring and latency associated with falling back in legacy.

[0046] The example embodiments are described with regard to communication between a base station, e.g. a Next Generation Node B (gNB) , and a user equipment (UE) . However, reference to a base station (gNB) or a UE is merely provided for illustrative purposes. The example embodiments may be utilized with any electronic component that may establish a connection to a network and is configured with the hardware, software, and / or firmware to support for reducing energy usage by network components in wireless communication systems. Therefore, the gNB or UE as described herein is used to represent any appropriate type of electronic component.

[0047] The example embodiments are also described with regard to a fifth generation (5G) New Radio (NR) . However, reference to a 5G NR network is merely provided for illustrative purposes. The example embodiments may be utilized with any appropriate type of network.

[0048] Throughout this description various information elements (IEs) are referred to by specific names. It should be understood that these names are only examples and the IEs carrying the information referred to throughout this description may be referred to by other names by various entities.

[0049] FIGs. 1A and 1B: Communication Systems

[0050] FIG. 1A illustrates a simplified example wireless communication system, according to some embodiments. It is noted that the system of FIG. 1A is merely one example of a possible system, and that features of this disclosure may be implemented in any of various systems, as desired.

[0051] As shown, the example wireless communication system includes a base station 102A which communicates over a transmission medium with one or  more user devices 106A, 106B, etc., through 106N. Each of the user devices may be referred to herein as a “user equipment” (UE) . Thus, the user devices 106 are referred to as UEs or UE devices.

[0052] The base station (BS) 102A may be a base transceiver station (BTS) or cell site (a “cellular base station” ) and may include hardware that enables wireless communication with the UEs 106A through 106N.

[0053] The communication area (or coverage area) of the base station may be referred to as a “cell. ” The base station 102A and the UEs 106 may be configured to communicate over the transmission medium using any of various radio access technologies (RATs) , also referred to as wireless communication technologies, or telecommunication standards, such as GSM, UMTS (associated with, for example, WCDMA or TD-SCDMA air interfaces) , LTE, LTE-Advanced (LTE-A) , 5G new radio (5G NR) , HSPA, 3GPP2 CDMA2000 (e.g., 1xRTT, 1xEV-DO, HRPD, eHRPD) , etc. Note that if the base station 102A is implemented in the context of LTE, also referred to as the Evolved Universal Terrestrial Radio Access Network (E-UTRAN, it may alternately be referred to as an 'eNodeB'or ‘eNB’ . Note that if the base station 102A is implemented in the context of 5G NR, it may alternately be referred to as ‘gNodeB’ or ‘gNB’ .

[0054] As shown, the base station 102A may also be equipped to communicate with a network 100 (e.g., a core network 820 of a cellular service provider, a telecommunication network such as a public switched telephone network (PSTN) , and / or the Internet, among various possibilities) . Thus, the base station 102A may facilitate communication between the user devices and / or between the user devices and the network 100. In particular, the cellular base station 102A may provide UEs 106 with various telecommunication capabilities, such as voice, SMS and / or data services.

[0055] Base station 102A and other similar base stations (such as base stations 102B…102N) operating according to the same or a different cellular communication standard may thus be provided as a network of cells, which may provide continuous or nearly continuous overlapping service to UEs 106A-N and similar devices over a geographic area via one or more cellular communication standards.

[0056] Thus, while base station 102A may act as a “serving cell” for UEs 106A-N as illustrated in FIG. 1A, each UE 106 may also be capable of receiving signals from (and possibly within communication range of) one or more other cells (which might be provided by base stations 102B-N and / or any other base stations) , which may be referred to as “neighboring cells” . Such cells may also be capable of facilitating communication between user devices and / or between user devices and the network 100. Such cells may include “macro” cells, “micro” cells, “pico” cells, and / or cells which provide any of various other granularities of service area size. For example, base stations 102A-B illustrated in FIG. 1A might be macro cells, while base station 102N might be a micro cell. Other configurations are also possible.

[0057] In some embodiments, base station 102A may be a next generation base station, e.g., a 5G New Radio (5G NR) base station, or “gNB” . In some embodiments, a gNB may be connected to a legacy evolved packet core (EPC) network and / or to a NR core (NRC) network. In addition, a gNB cell may include one or more transmission and reception points (TRPs) . In addition, a UE capable of operating according to 5G NR may be connected to one or more TRPs within one or more gNBs.

[0058] Note that a UE 106 may be capable of communicating using multiple wireless communication standards. For example, the UE 106 may be configured to communicate using a wireless networking (e.g., Wi-Fi) and / or peer-to-peer wireless communication protocol (e.g., Bluetooth, Wi-Fi peer-to-peer, etc. ) in addition to at least one cellular communication protocol (e.g., GSM, UMTS (associated with, for example, WCDMA or TD-SCDMA air interfaces) , LTE, LTE-A, 5G NR, HSPA, 3GPP2 CDMA2000 (e.g., 1xRTT, 1xEV-DO, HRPD, eHRPD) , etc. ) . The UE 106 may also or alternatively be configured to communicate using one or more global navigational satellite systems (GNSS, e.g., GPS or GLONASS) , one or more mobile television broadcasting standards (e.g., ATSC-M / H or DVB-H) , and / or any other wireless communication protocol, if desired. Other combinations of wireless communication standards (including more than two wireless communication standards) are also possible.

[0059] In some embodiments, the base station 102A may select a paging  configuration and a PEI configuration for UEs 106. The base station 102A may encode and transmit the paging configuration and the PEI configuration to UEs 106 as part of a registration process. Using the paging configuration, UEs 106 can determine which PO and PF to monitor in a paging cycle. Using the PEI configuration, UEs 106 can determine the radio frame that carries relevant PEI.

[0060] FIG. 1 B illustrates user equipment 106 (e.g., one of the devices 106A through 106N) in communication with a base station 102 and an access point 112, according to some embodiments. The UE 106 may be a device with both cellular communication capability and non-cellular communication capability (e.g., Bluetooth, Wi-Fi, and so forth) such as a mobile phone, a hand-held device, a computer or a tablet, or virtually any type of wireless device.

[0061] The UE 106 may include a processor that is configured to execute program instructions stored in memory. The UE 106 may perform any of the method embodiments described herein by executing such stored instructions. Alternatively, or in addition, the UE 106 may include a programmable hardware element such as an FPGA (field-programmable gate array) that is configured to perform any of the method embodiments described herein, or any portion of any of the method embodiments described herein.

[0062] The UE 106 may include one or more antennas for communicating using one or more wireless communication protocols or technologies. In some embodiments, the UE 106 may be configured to communicate using, for example, CDMA2000 (1xRTT  / 1xEV-DO  / HRPD  / eHRPD) , LTE / LTE-Advanced, or 5G NR using a single shared radio and / or GSM, LTE, LTE-Advanced, or 5G NR using the single shared radio. The shared radio may couple to a single antenna, or may couple to multiple antennas (e.g., for MIMO) for performing wireless communications. In general, a radio may include any combination of a baseband processor, analog RF signal processing circuitry (e.g., including filters, mixers, oscillators, amplifiers, etc. ) , or digital processing circuitry (e.g., for digital modulation as well as other digital processing) . Similarly, the radio may implement one or more receive and transmit chains using the aforementioned hardware. For example, the UE 106 may share one or more parts of a receive and / or transmit chain between multiple wireless communication technologies, such as those discussed above.

[0063] In some embodiments, the UE 106 may include separate transmit and / or receive chains (e.g., including separate antennas and other radio components) for each wireless communication protocol with which it is configured to communicate. As a further possibility, the UE 106 may include one or more radios which are shared between multiple wireless communication protocols, and one or more radios which are used exclusively by a single wireless communication protocol. For example, the UE 106 might include a shared radio for communicating using either of LTE or 5G NR (or LTE or 1xRTTor LTE or GSM) , and separate radios for communicating using each of Wi-Fi and Bluetooth. Other configurations are also possible.

[0064] As described herein, a functionality or a model based identification for AI / ML based positioning messages can be signaled between the UE 106 and the NW 100 (or the gNB, a Mobility Management Entity (MME) , or an AI / ML management function (MF) ) , via the base station 102. The messaging can comprise a capabilities request message generated at the base station 102 from the NW 100 and received by the UE 106, and a capability response message generated by the UE 106 and received by the base station 102. The capability response message from the UE 106 can identify a functional architecture-based identification (e.g. data collection, model training, monitoring, model inference and / or data storage parameters) of the AI / ML positioning capabilities of the UE 106, or a case-based feature group for functional identification (e.g. UE-based, UE assisted / Location Management Function (LMF) -based, or NG-RAN node assisted positioning; a UE-side, LMF-side, or gNB-side model; and / or direct AI / ML or AI / ML assisted positioning) of the AI / ML positioning capabilities of the UE 106. The capabilities request message from the base station 102 can comprise one or more data collection related configurations (e.g. based on a scenario, an area or an environment) and one or more associated identifications.

[0065] FIG. 2: Block Diagram of a Base Station (gNB)

[0066] FIG. 2 illustrates an example block diagram of a base station 102, according to some embodiments. It is noted that the base station of FIG. 2 is merely one example of a possible base station. As shown, the base station 102 may include  processor (s) 204 which may execute program instructions for the base station 102. The processor (s) 204 may also be coupled to memory management unit (MMU) 240, which may be configured to receive addresses from the processor (s) 204 and translate those addresses to locations in memory (e.g., memory 260 and read only memory (ROM) 250) or to other circuits or devices.

[0067] The base station 102 may include at least one network port 270. The network port 270 may be configured to couple to a telephone network and provide a plurality of devices, such as UE devices 106, access to the telephone network as described above in Figures 1 and 2.

[0068] The network port 270 (or an additional network port) may also or alternatively be configured to couple to a cellular network, e.g., a core network of a cellular service provider. The core network may provide mobility related services and / or other services to a plurality of devices, such as UE devices 106. In some cases, the network port 270 may couple to a telephone network via the core network, and / or the core network may provide a telephone network (e.g., among other UE devices serviced by the cellular service provider) .

[0069] In some embodiments, base station 102 may be a next generation base station, e.g., a 5G New Radio (5G NR) base station, or “gNB” . In such embodiments, base station 102 may be connected to a legacy evolved packet core (EPC) network and / or to a NR core (NRC) network. In addition, base station 102 may be considered a 5G NR cell and may include one or more transmission and reception points (TRPs) . In addition, a UE capable of operating according to 5G NR may be connected to one or more TRPs within one or more gNBs.

[0070] The base station 102 may include at least one antenna 234, and possibly multiple antennas. The at least one antenna 234 may be configured to operate as a wireless transceiver and may be further configured to communicate with UE devices 106 via radio 230. The antenna 234 communicates with the radio 230 via communication chain 232. Communication chain 232 may be a receive chain, a transmit chain or both. The radio 230 may be configured to communicate via various wireless communication standards, including, but not limited to, 5G NR, LTE, LTE-A, GSM, UMTS, CDMA2000, Wi-Fi, etc.

[0071] The base station 102 may be configured to communicate wirelessly using  multiple wireless communication standards. In some instances, the base station 102 may include multiple radios, which may enable the base station 102 to communicate according to multiple wireless communication technologies. For example, as one possibility, the base station 102 may include an LTE radio for performing communication according to LTE as well as a 5G NR radio for performing communication according to 5G NR. In such a case, the base station 102 may be capable of operating as both an LTE base station and a 5G NR base station. As another possibility, the base station 102 may include a multi-mode radio which is capable of performing communications according to any of multiple wireless communication technologies (e.g., 5G NR and Wi-Fi, LTE and Wi-Fi, LTE and UMTS, LTE and CDMA2000, UMTS and GSM, etc. ) .

[0072] As described further subsequently herein, the base station 102 may include hardware and software components for implementing or supporting implementation of features described herein. The processor 204 of the base station 102 may be configured to implement or support implementation of part or all of the methods described herein, e.g., by executing program instructions stored on a memory medium (e.g., a non-transitory computer-readable memory medium) . Alternatively, the processor 204 may be configured as a programmable hardware element, such as an FPGA (Field Programmable Gate Array) , or as an ASIC (Application Specific Integrated Circuit) , or a combination thereof. Alternatively (or in addition) the processor 204 of the base station 102, in conjunction with one or more of the other components 230, 232, 234, 240, 250, 260, 270 may be configured to implement or support implementation of part or all of the features described herein.

[0073] In addition, as described herein, processor (s) 204 may be comprised of one or more processing elements. In other words, one or more processing elements may be included in processor (s) 204. Thus, processor (s) 204 may include one or more integrated circuits (ICs) that are configured to perform the functions of processor (s) 204. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of processor (s) 204.

[0074] Further, as described herein, radio 230 may be comprised of one or  more processing elements. In other words, one or more processing elements may be included in radio 230. Thus, radio 230 may include one or more integrated circuits (ICs) that are configured to perform the functions of radio 230. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of radio 230.

[0075] As described herein, the capability request and response messages can be signaled between the UE 106 and the NW 100 (or the gNB, a Mobility Management Entity (MME) , via the base station 102. The one or more processors 204 of the base station 102 may be used to execute messages (e.g. program instructions) that are received and decoded from the UE 106. In some embodiments, the base station or gNB 102, and / or processors 204 thereof, can be capable of and configured to generate (or encode) the capability request messages for transmission to the UE 106, and receive the capability response message from the UE 106.

[0076] FIG. 3: Block Diagram of a Server

[0077] FIG. 3 illustrates an example block diagram of a server 104, according to some embodiments. It is noted that the server of FIG. 3 is merely one example of a possible server. As shown, the server 104 may include processor (s) 344 which may execute program instructions for the server 104. The processor (s) 344 may also be coupled to memory management unit (MMU) 374, which may be configured to receive addresses from the processor (s) 344 and translate those addresses to locations in memory (e.g., memory 364 and read only memory (ROM) 354) or to other circuits or devices.

[0078] The server 104 may be configured to provide a plurality of devices, such as base station 102, and UE devices 106 access to network functions, e.g., as further described herein.

[0079] In some embodiments, the server 104 may be part of a radio access network, such as a 5G New Radio (5G NR) radio access network. In some embodiments, the server 104 may be connected to a legacy evolved packet core (EPC) network and / or to a NR core (NRC) network.

[0080] As described herein, the server 104 may include hardware and software components for implementing or supporting implementation of features described herein. The processor 344 of the server 104 may be configured to implement or support implementation of part or all of the methods described herein, e.g., by executing program instructions stored on a memory medium (e.g., a non-transitory computer-readable memory medium) . Alternatively, the processor 344 may be configured as a programmable hardware element, such as an FPGA (Field Programmable Gate Array) , or as an ASIC (Application Specific Integrated Circuit) , or a combination thereof. Alternatively (or in addition) the processor 344 of the server 104, in conjunction with one or more of the other components 354, 364, and / or 374 may be configured to implement or support implementation of part or all of the features described herein.

[0081] In addition, as described herein, processor (s) 344 may be comprised of one or more processing elements. In other words, one or more processing elements may be included in processor (s) 344. Thus, processor (s) 344 may include one or more integrated circuits (ICs) that are configured to perform the functions of processor (s) 344. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of processor (s) 344.

[0082] FIG. 4: Block Diagram of a User Equipment (UE)

[0083] FIG. 4 illustrates an example simplified block diagram of a communication device 106, according to some embodiments. It is noted that the block diagram of the communication device of FIG. 4 is only one example of a possible communication device. According to embodiments, communication device 106 may be a user equipment (UE) device, a mobile device or mobile station, a wireless device or wireless station, a desktop computer or computing device, a mobile computing device (e.g., a laptop, notebook, or portable computing device) , a tablet, an unmanned aerial vehicle (UAV) , a UAV controller (UAC) and / or a combination of devices, among other devices. As shown, the communication device 106 may include a set of components 400 configured to perform core functions. For example, this set of components may be implemented as a system  on chip (SOC) , which may include portions for various purposes. Alternatively, this set of components 400 may be implemented as separate components or groups of components for the various purposes. The set of components 400 may be coupled (e.g., communicatively; directly or indirectly) to various other circuits of the communication device 106.

[0084] For example, the communication device 106 may include various types of memory (e.g., including NAND flash 410) , an input / output interface such as connector I / F 420 (e.g., for connecting to a computer system; dock; charging station; input devices, such as a microphone, camera, keyboard; output devices, such as speakers; etc. ) , the display 460, which may be integrated with or external to the communication device 106, and cellular communication circuitry 430 such as for 5G NR, LTE, GSM, etc., and short to medium range wireless communication circuitry 429 (e.g., BluetoothTM and WLAN circuitry) . In some embodiments, communication device 106 may include wired communication circuitry (not shown) , such as a network interface card, e.g., for Ethernet.

[0085] The cellular communication circuitry 430 may couple (e.g., communicatively; directly or indirectly) to one or more antennas, such as antennas 435 and 436 as shown. The short to medium range wireless communication circuitry 429 may also couple (e.g., communicatively; directly or indirectly) to one or more antennas, such as antennas 437 and 438 as shown. Alternatively, the short to medium range wireless communication circuitry 429 may couple (e.g., communicatively; directly or indirectly) to the antennas 435 and 436 in addition to, or instead of, coupling (e.g., communicatively; directly or indirectly) to the antennas 437 and 438. The short to medium range wireless communication circuitry 429 and / or cellular communication circuitry 430 may include multiple receive chains and / or multiple transmit chains for receiving and / or transmitting multiple spatial streams, such as in a multiple-input multiple output (MIMO) configuration.

[0086] In some embodiments, as further described below, cellular communication circuitry 430 may include dedicated receive chains (including and / or coupled to, e.g., communicatively; directly or indirectly. dedicated processors and / or radios) for multiple RATs (e.g., a first receive chain for LTE and a second receive chain for 5G NR) . In addition, in some embodiments, cellular  communication circuitry 430 may include a single transmit chain that may be switched between radios dedicated to specific RATs. For example, a first radio may be dedicated to a first RAT, e.g., LTE, and may be in communication with a dedicated receive chain and a transmit chain shared with an additional radio, e.g., a second radio that may be dedicated to a second RAT, e.g., 5G NR, and may be in communication with a dedicated receive chain and the shared transmit chain.

[0087] The communication device 106 may also include and / or be configured for use with one or more user interface elements. The user interface elements may include any of various elements, such as display 460 (which may be a touchscreen display) , a keyboard (which may be a discrete keyboard or may be implemented as part of a touchscreen display) , a mouse, a microphone and / or speakers, one or more cameras, one or more buttons, and / or any of various other elements capable of providing information to a user and / or receiving or interpreting user input.

[0088] The communication device 106 may further include one or more smart cards 445 that include SIM (Subscriber Identity Module) functionality, such as one or more UICC (s) (Universal Integrated Circuit Card (s) ) cards 445. Note that the term “SIM” or “SIM entity” is intended to include any of various types of SIM implementations or SIM functionality, such as the one or more UICC (s) cards 445, one or more eUICCs, one or more eSIMs, either removable or embedded, etc. In some embodiments, the UE 106 may include at least two SIMs. Each SIM may execute one or more SIM applications and / or otherwise implement SIM functionality. Thus, each SIM may be a single smart card that may be embedded, e.g., may be soldered onto a circuit board in the UE 106, or each SIM 410 may be implemented as a removable smart card. Thus, the SIM (s) may be one or more removable smart cards (such as UICC cards, which are sometimes referred to as “SIM cards” ) , and / or the SIMs 410 may be one or more embedded cards (such as embedded UICCs (eUICCs) , which are sometimes referred to as “eSIMs” or “eSIM cards” ) . In some embodiments (such as when the SIM (s) include an eUICC) , one or more of the SIM (s) may implement embedded SIM (eSIM) functionality; in such an embodiment, a single one of the SIM (s) may execute multiple SIM applications. Each of the SIMs may include components such as a processor and / or a memory; instructions for performing SIM / eSIM functionality may be stored in the memory and executed by the processor. In some embodiments, the UE 106 may include a  combination of removable smart cards and fixed / non-removable smart cards (such as one or more eUICC cards that implement eSIM functionality) , as desired. For example, the UE 106 may comprise two embedded SIMs, two removable SIMs, or a combination of one embedded SIMs and one removable SIMs. Various other SIM configurations are also contemplated.

[0089] As noted above, in some embodiments, the UE 106 may include two or more SIMs. The inclusion of two or more SIMs in the UE 106 may allow the UE 106 to support two different telephone numbers and may allow the UE 106 to communicate on corresponding two or more respective networks. For example, a first SIM may support a first RAT such as LTE, and a second SIM 410 support a second RAT such as 5G NR. Other implementations and RATs are of course possible. In some embodiments, when the UE 106 comprises two SIMs, the UE 106 may support Dual SIM Dual Active (DSDA) functionality. The DSDA functionality may allow the UE 106 to be simultaneously connected to two networks (and use two different RATs) at the same time, or to simultaneously maintain two connections supported by two different SIMs using the same or different RATs on the same or different networks. The DSDA functionality may also allow the UE 106 to simultaneously receive voice calls or data traffic on either phone number. In certain embodiments the voice call may be a packet switched communication. In other words, the voice call may be received using voice over LTE (VoLTE) technology and / or voice over NR (VoNR) technology. In some embodiments, the UE 106 may support Dual SIM Dual Standby (DSDS) functionality. The DSDS functionality may allow either of the two SIMs in the UE 106 to be on standby waiting for a voice call and / or data connection. In DSDS, when a call / data is established on one SIM, the other SIM is no longer active. In some embodiments, DSDx functionality (either DSDA or DSDS functionality) may be implemented with a single SIM (e.g., a eUICC) that executes multiple SIM applications for different carriers and / or RATs.

[0090] As shown, the SOC 400 may include processor (s) 402, which may execute program instructions for the communication device 106 and display circuitry 404, which may perform graphics processing and provide display signals to the display 460. The processor (s) 402 may also be coupled to memory management unit (MMU) 440, which may be configured to receive addresses from  the processor (s) 402 and translate those addresses to locations in memory (e.g., memory 406, read only memory (ROM) 450, NAND flash memory 410) and / or to other circuits or devices, such as the display circuitry 404, short to medium range wireless communication circuitry 429, cellular communication circuitry 430, connector I / F 420, and / or display 460. The MMU 440 may be configured to perform memory protection and page table translation or set up. In some embodiments, the MMU 440 may be included as a portion of the processor (s) 402.

[0091] As described herein, the communication device 106 may include hardware and software components for implementing the above features for a communication device 106 to communicate a scheduling profile for power savings to a network. The processor 402 of the communication device 106 may be configured to implement part or all of the features described herein, e.g., by executing program instructions stored on a memory medium (e.g., a non-transitory computer-readable memory medium) . Alternatively (or in addition) , processor 402 may be configured as a programmable hardware element, such as an FPGA (Field Programmable Gate Array) , or as an ASIC (Application Specific Integrated Circuit) . Alternatively (or in addition) the processor 402 of the communication device 106, in conjunction with one or more of the other components 400, 404, 406, 410, 420, 429, 430, 440, 445, 450, 460 may be configured to implement part or all of the features described herein.

[0092] In addition, as described herein, processor 402 may include one or more processing elements. Thus, processor 402 may include one or more integrated circuits (ICs) that are configured to perform the functions of processor 402. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of processor (s) 402.

[0093] Further, as described herein, cellular communication circuitry 430 and short to medium range wireless communication circuitry 429 may each include one or more processing elements. In other words, one or more processing elements may be included in cellular communication circuitry 430 and, similarly, one or more processing elements may be included in short to medium range wireless communication circuitry 429. Thus, cellular communication circuitry 430 may include one or more integrated circuits (ICs) that are configured to perform the  functions of cellular communication circuitry 430. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of cellular communication circuitry 430. Similarly, the short to medium range wireless communication circuitry 429 may include one or more ICs that are configured to perform the functions of short to medium range wireless communication circuitry 429. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of short to medium range wireless communication circuitry 429.

[0094] In some embodiments, the UE 106 and / or the one or more processors 402 thereof can collect collected data corresponding to the one or more associated IDs, and develop AI / ML models based on the collected data corresponding to the one or more associated IDs. In addition, in some embodiments, the UE 106 and / or the one or more processors 402 thereof can identify a scenario and assign a model ID.

[0095] FIG. 5: Block Diagram of Cellular Communication Circuitry

[0096] FIG. 5 illustrates an example simplified block diagram of cellular communication circuitry, according to some embodiments. It is noted that the block diagram of the cellular communication circuitry of FIG. 5 is only one example of a possible cellular communication circuit. According to embodiments, cellular communication circuitry 530, which may be cellular communication circuitry 430, may be included in a communication device, such as communication device 106 described above. As noted above, communication device 106 may be a user equipment (UE) device, a mobile device or mobile station, a wireless device or wireless station, a desktop computer or computing device, a mobile computing device (e.g., a laptop, notebook, or portable computing device) , a tablet and / or a combination of devices, among other devices.

[0097] The cellular communication circuitry 530 may couple (e.g., communicatively; directly or indirectly) to one or more antennas, such as antennas 435a-b and 436 as shown (in FIG. 4) . In some embodiments, cellular communication circuitry 530 may include dedicated receive chains (including and / or coupled to, e.g., communicatively; directly or indirectly. dedicated  processors and / or radios) for multiple RATs (e.g., a first receive chain for LTE and a second receive chain for 5G NR) . For example, as shown in FIG. 5, cellular communication circuitry 530 may include a modem 510 and a modem 520. Modem 510 may be configured for communications according to a first RAT, e.g., such as LTE or LTE-A, and modem 520 may be configured for communications according to a second RAT, e.g., such as 5G NR.

[0098] As shown, modem 510 may include one or more processors 512 and a memory 516 in communication with processors 512. Modem 510 may be in communication with a radio frequency (RF) front end 535. RF front end 535 may include circuitry for transmitting and receiving radio signals. For example, RF front end 535 may include receive circuitry (RX) 532 and transmit circuitry (TX) 534. In some embodiments, receive circuitry 532 may be in communication with downlink (DL) front end 550, which may include circuitry for receiving radio signals via antenna 335a.

[0099] Similarly, modem 520 may include one or more processors 522 and a memory 526 in communication with processors 522. Modem 520 may be in communication with an RF front end 540. RF front end 540 may include circuitry for transmitting and receiving radio signals. For example, RF front end 540 may include receive circuitry 542 and transmit circuitry 544. In some embodiments, receive circuitry 542 may be in communication with DL front end 560, which may include circuitry for receiving radio signals via antenna 335b.

[0100] In some embodiments, a switch 570 may couple transmit circuitry 534 to uplink (UL) front end 572. In addition, switch 570 may couple transmit circuitry 544 to UL front end 572. UL front end 572 may include circuitry for transmitting radio signals via antenna 336. Thus, when cellular communication circuitry 530 receives instructions to transmit according to the first RAT (e.g., as supported via modem 510) , switch 570 may be switched to a first state that allows modem 510 to transmit signals according to the first RAT (e.g., via a transmit chain that includes transmit circuitry 534 and UL front end 572) . Similarly, when cellular communication circuitry 530 receives instructions to transmit according to the second RAT (e.g., as supported via modem 520) , switch 570 may be switched to a second state that allows modem 520 to transmit signals according to the second RAT (e.g., via a  transmit chain that includes transmit circuitry 544 and UL front end 572) .

[0101] As described herein, the modem 510 may include hardware and software components for implementing the above features or for time division multiplexing UL data for NSA NR operations, as well as the various other techniques described herein. The processors 512 may be configured to implement part or all of the features described herein, e.g., by executing program instructions stored on a memory medium (e.g., a non-transitory computer-readable memory medium) . Alternatively (or in addition) , processor 512 may be configured as a programmable hardware element, such as an FPGA (Field Programmable Gate Array) , or as an ASIC (Application Specific Integrated Circuit) . Alternatively (or in addition) the processor 512, in conjunction with one or more of the other components 530, 532, 534, 535, 550, 570, 572, 335a, 335b, and 336 may be configured to implement part or all of the features described herein.

[0102] In addition, as described herein, processors 512 may include one or more processing elements. Thus, processors 512 may include one or more integrated circuits (ICs) that are configured to perform the functions of processors 512. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of processors 512.

[0103] The processors 522 may be configured to implement part or all of the features described herein, e.g., by executing program instructions stored on a memory medium (e.g., a non-transitory computer-readable memory medium) . Alternatively (or in addition) , processor 522 may be configured as a programmable hardware element, such as an FPGA (Field Programmable Gate Array) , or as an ASIC (Application Specific Integrated Circuit) . Alternatively (or in addition) the processor 522, in conjunction with one or more of the other components 540, 542, 544, 550, 570, 572, 335a, 335b, and 336 may be configured to implement part or all of the features described herein.

[0104] In addition, as described herein, processors 522 may include one or more processing elements. Thus, processors 522 may include one or more integrated circuits (ICs) that are configured to perform the functions of processors 522. In addition, each integrated circuit may include circuitry (e.g., first circuitry, second circuitry, etc. ) configured to perform the functions of processors 522.

[0105] FIG. 6: Block Diagram of a Baseband Processor Architecture for a UE

[0106] FIG. 6 illustrates example components of a device 600 in accordance with some embodiments. It is noted that the device of FIG. 6 is merely one example of a possible system, and that features of this disclosure may be implemented in any of various UEs, as desired.

[0107] In some embodiments, the device 600 may include application circuitry 602, baseband circuitry 604, Radio Frequency (RF) circuitry 606, front-end module (FEM) circuitry 608, one or more antennas 610, and power management circuitry (PMC) 612 coupled together at least as shown. The components of the illustrated device 600 may be included in a UE 106 or a RAN node 102A. In some embodiments, the device 600 may include less elements (e.g., a RAN node may not utilize application circuitry 602, and instead include a processor / controller to process IP data received from an EPC) . In some embodiments, the device 600 may include additional elements such as, for example, memory / storage, display, camera, sensor, or input / output (I / O) interface. In other embodiments, the components described below may be included in more than one device (e.g., said circuitries may be separately included in more than one device for Cloud-RAN (C-RAN) implementations) .

[0108] The application circuitry 602 may include one or more application processors. For example, the application circuitry 602 may include circuitry such as, but not limited to, one or more single-core or multi-core processors. The processor (s) may include any combination of general-purpose processors and dedicated processors (e.g., graphics processors, application processors, etc. ) . The processors may be coupled with or may include memory / storage and may be configured to execute instructions stored in the memory / storage to enable various applications or operating systems to run on the device 600. In some embodiments, processors of application circuitry 602 may process IP data packets received from an EPC.

[0109] The baseband circuitry 604 may include circuitry such as, but not limited to, one or more single-core or multi-core processors. The baseband circuitry 604 may include one or more baseband processors or control logic to process  baseband signals received from a receive signal path of the RF circuitry 606 and to generate baseband signals for a transmit signal path of the RF circuitry 606. Baseband processing circuity 604 may interface with the application circuitry 602 for generation and processing of the baseband signals and for controlling operations of the RF circuitry 606. For example, in some embodiments, the baseband circuitry 604 may include a third generation (3G) baseband processor 604A, a fourth generation (4G) baseband processor 604B, a fifth generation (5G) baseband processor 604C, or other baseband processor (s) 604D for other existing generations, generations in development or to be developed in the future (e.g., second generation (2G) , sixth generation (6G) , etc. ) . The baseband circuitry 604 (e.g., one or more of baseband processors 604A-D) may handle various radio control functions that enable communication with one or more radio networks via the RF circuitry 606. In other embodiments, some or all of the functionality of baseband processors 604A-D may be included in modules stored in the memory 604G and executed via a Central Processing Unit (CPU) 604E. The radio control functions may include, but are not limited to, signal modulation / demodulation, encoding / decoding, radio frequency shifting, etc. In some embodiments, modulation / demodulation circuitry of the baseband circuitry 604 may include Fast-Fourier Transform (FFT) , precoding, or constellation mapping / demapping functionality. In some embodiments, encoding / decoding circuitry of the baseband circuitry 604 may include convolution, tail-biting convolution, turbo, Viterbi, or Low Density Parity Check (LDPC) encoder / decoder functionality. Embodiments of modulation / demodulation and encoder / decoder functionality are not limited to these examples and may include other suitable functionality in other embodiments.

[0110] In some embodiments, the baseband circuitry 604 may include one or more audio digital signal processor (s) (DSP) 604F. The audio DSP (s) 604F may be include elements for compression / decompression and echo cancellation and may include other suitable processing elements in other embodiments. Components of the baseband circuitry may be suitably combined in a single chip, a single chipset, or disposed on a same circuit board in some embodiments. In some embodiments, some or all of the constituent components of the baseband circuitry 604 and the application circuitry 602 may be implemented together such as, for example, on a system on a chip (SOC) .

[0111] In some embodiments, the baseband circuitry 604 may provide for communication compatible with one or more radio technologies. For example, in some embodiments, the baseband circuitry 604 may support communication with an evolved universal terrestrial radio access network (EUTRAN) or other wireless metropolitan area networks (WMAN) , a wireless local area network (WLAN) , a wireless personal area network (WPAN) . Embodiments in which the baseband circuitry 604 is configured to support radio communications of more than one wireless protocol may be referred to as multi-mode baseband circuitry.

[0112] RF circuitry 606 may enable communication with wireless networks using modulated electromagnetic radiation through a non-solid medium. In various embodiments, the RF circuitry 606 may include switches, filters, amplifiers, etc. to facilitate the communication with the wireless network. RF circuitry 606 may include a receive signal path which may include circuitry to down-convert RF signals received from the FEM circuitry 608 and provide baseband signals to the baseband circuitry 604. RF circuitry 606 may also include a transmit signal path which may include circuitry to up-convert baseband signals provided by the baseband circuitry 604 and provide RF output signals to the FEM circuitry 608 for transmission.

[0113] In some embodiments, the receive signal path of the RF circuitry 606 may include mixer circuitry 606a, amplifier circuitry 606b and filter circuitry 606c. In some embodiments, the transmit signal path of the RF circuitry 606 may include filter circuitry 606c and mixer circuitry 606a. RF circuitry 606 may also include synthesizer circuitry 606d for synthesizing a frequency for use by the mixer circuitry 606a of the receive signal path and the transmit signal path. In some embodiments, the mixer circuitry 606a of the receive signal path may be configured to down-convert RF signals received from the FEM circuitry 608 based on the synthesized frequency provided by synthesizer circuitry 606d. The amplifier circuitry 606b may be configured to amplify the down-converted signals and the filter circuitry 606c may be a low-pass filter (LPF) or band-pass filter (BPF) configured to remove unwanted signals from the down-converted signals to generate output baseband signals. Output baseband signals may be provided to the baseband circuitry 604 for further processing. In some embodiments, the output baseband signals may be zero-frequency baseband signals, although this is not a necessity. In some  embodiments, mixer circuitry 606a of the receive signal path may comprise passive mixers, although the scope of the embodiments is not limited in this respect.

[0114] In some embodiments, the mixer circuitry 606a of the transmit signal path may be configured to up-convert input baseband signals based on the synthesized frequency provided by the synthesizer circuitry 606d to generate RF output signals for the FEM circuitry 608. The baseband signals may be provided by the baseband circuitry 604 and may be filtered by filter circuitry 606c.

[0115] In some embodiments, the mixer circuitry 606a of the receive signal path and the mixer circuitry 606a of the transmit signal path may include two or more mixers and may be arranged for quadrature downconversion and upconversion, respectively. In some embodiments, the mixer circuitry 606a of the receive signal path and the mixer circuitry 606a of the transmit signal path may include two or more mixers and may be arranged for image rejection (e.g., Hartley image rejection) . In some embodiments, the mixer circuitry 606a of the receive signal path and the mixer circuitry 606a may be arranged for direct downconversion and direct upconversion, respectively. In some embodiments, the mixer circuitry 606a of the receive signal path and the mixer circuitry 606a of the transmit signal path may be configured for super-heterodyne operation.

[0116] In some embodiments, the output baseband signals and the input baseband signals may be analog baseband signals, although the scope of the embodiments is not limited in this respect. In some alternate embodiments, the output baseband signals and the input baseband signals may be digital baseband signals. In these alternate embodiments, the RF circuitry 606 may include analog-to-digital converter (ADC) and digital-to-analog converter (DAC) circuitry and the baseband circuitry 604 may include a digital baseband interface to communicate with the RF circuitry 606.

[0117] In some dual-mode embodiments, a separate radio IC circuitry may be provided for processing signals for each spectrum, although the scope of the embodiments is not limited in this respect.

[0118] In some embodiments, the synthesizer circuitry 606d may be a fractional-N synthesizer or a fractional N / N+1 synthesizer, although the scope of the embodiments is not limited in this respect as other types of frequency  synthesizers may be suitable. For example, synthesizer circuitry 606d may be a delta-sigma synthesizer, a frequency multiplier, or a synthesizer comprising a phase-locked loop with a frequency divider.

[0119] The synthesizer circuitry 606d may be configured to synthesize an output frequency for use by the mixer circuitry 606a of the RF circuitry 606 based on a frequency input and a divider control input. In some embodiments, the synthesizer circuitry 606d may be a fractional N / N+1 synthesizer.

[0120] In some embodiments, frequency input may be provided by a voltage controlled oscillator (VCO) , although that is not a necessity. Divider control input may be provided by either the baseband circuitry 604 or the applications processor 602 depending on the desired output frequency. In some embodiments, a divider control input (e.g., N) may be determined from a look-up table based on a channel indicated by the applications processor 602.

[0121] Synthesizer circuitry 606d of the RF circuitry 606 may include a divider, a delay-locked loop (DLL) , a multiplexer and a phase accumulator. In some embodiments, the divider may be a dual modulus divider (DMD) and the phase accumulator may be a digital phase accumulator (DPA) . In some embodiments, the DMD may be configured to divide the input signal by either N or N+1 (e.g., based on a carry out) to provide a fractional division ratio. In some example embodiments, the DLL may include a set of cascaded, tunable, delay elements, a phase detector, a charge pump and a D-type flip-flop. In these embodiments, the delay elements may be configured to break a VCO period up into Nd equal packets of phase, where Nd is the number of delay elements in the delay line. In this way, the DLL provides negative feedback to help ensure that the total delay through the delay line is one VCO cycle.

[0122] In some embodiments, synthesizer circuitry 606d may be configured to generate a carrier frequency as the output frequency, while in other embodiments, the output frequency may be a multiple of the carrier frequency (e.g., twice the carrier frequency, four times the carrier frequency) and used in conjunction with quadrature generator and divider circuitry to generate multiple signals at the carrier frequency with multiple different phases with respect to each other. In some embodiments, the output frequency may be a LO frequency (fLO) . In some  embodiments, the RF circuitry 606 may include an IQ / polar converter.

[0123] FEM circuitry 608 may include a receive signal path which may include circuitry configured to operate on RF signals received from one or more antennas 610, amplify the received signals and provide the amplified versions of the received signals to the RF circuitry 606 for further processing. FEM circuitry 608 may also include a transmit signal path which may include circuitry configured to amplify signals for transmission provided by the RF circuitry 606 for transmission by one or more of the one or more antennas 610. In various embodiments, the amplification through the transmit or receive signal paths may be done solely in the RF circuitry 606, solely in the FEM 608, or in both the RF circuitry 606 and the FEM 608.

[0124] In some embodiments, the FEM circuitry 608 may include a TX / RX switch to switch between transmit mode and receive mode operation. The FEM circuitry may include a receive signal path and a transmit signal path. The receive signal path of the FEM circuitry may include an LNA to amplify received RF signals and provide the amplified received RF signals as an output (e.g., to the RF circuitry 606) . The transmit signal path of the FEM circuitry 608 may include a power amplifier (PA) to amplify input RF signals (e.g., provided by RF circuitry 606) , and one or more filters to generate RF signals for subsequent transmission (e.g., by one or more of the one or more antennas 610) .

[0125] In some embodiments, the PMC 612 may manage power provided to the baseband circuitry 604. In particular, the PMC 612 may control power-source selection, voltage scaling, battery charging, or DC-to-DC conversion. The PMC 612 may often be included when the device 600 is capable of being powered by a battery, for example, when the device is included in a UE. The PMC 612 may increase the power conversion efficiency while providing desirable implementation size and heat dissipation characteristics.

[0126] While FIG. 6 shows the PMC 612 coupled only with the baseband circuitry 604, in other embodiments the PMC 612 may be additionally or alternatively coupled with, and perform similar power management operations for, other components such as, but not limited to, application circuitry 602, RF circuitry 606, or FEM 608.

[0127] In some embodiments, the PMC 612 may control, or otherwise be part of, various power saving mechanisms of the device 600. For example, if the device 600 is in a radio resource control_Connected (RRC_Connected) state, where it is still connected to the RAN node as it expects to receive traffic shortly, then it may enter a state known as Discontinuous Reception Mode (DRX) after a period of inactivity. During this state, the device 600 may power down for brief intervals of time and thus save power.

[0128] If there is no data traffic activity for an extended period of time, then the device 600 may transition off to an RRC_Idle state, where it disconnects from the network and does not perform operations such as channel quality feedback, handover, etc. The device 600 goes into a very low power state and it performs paging where, again, it periodically wakes up to listen to the network and then powers down at least portions of the device again. The device 600 may not receive data in this state. In order to receive data, it will transition back to an RRC_Connected state.

[0129] An additional power saving mode may allow a device to be unavailable to the network for periods longer than a paging interval (ranging from seconds to a few hours) . During this time, the device is totally unreachable to the network and may power down completely. Any data sent during this time incurs a large delay and it is assumed the delay is acceptable.

[0130] In some embodiments, the UE 106 and / or the baseband circuitry 604 of the one or more processors thereof can generate and encode messages transmitted to the base station 102 for the NW 100 and can receive and decode messages received from the base station 102 for the NW 100. The UE 106 and the baseband circuitry 604 and the one or more processors thereof can receive a capability request message from the network 100 via the base station 102. In one aspect, the capability request message can comprise one or more data collection related configurations (e.g. based on a scenario, an area or an environment) and one or more associated identifications. In addition, the UE 106 and the baseband circuitry 604 of the one or more processors thereof can generate a capability response message from the UE 106 to the 100 network via the base station 102 that can identify a functional architecture-based identification (e.g. data collection,  model training, monitoring, model inference and / or data storage parameters) of the AI / ML positioning capabilities of the UE 106, or a case-based feature group for functional identification (e.g. UE-based, UE assisted / Location Management Function (LMF) -based, or NG-RAN node assisted positioning; a UE-side, LMF-side, or gNB-side model; and / or direct AI / ML or AI / ML assisted positioning) of the AI / ML positioning capabilities of the UE 106.

[0131] FIG. 7: Block Diagram of an Interface of Baseband Circuitry

[0132] FIG. 7 illustrates example interfaces of baseband circuitry in accordance with some embodiments. It is noted that the baseband circuitry of FIG. 7 is merely one example of a possible circuitry, and that features of this disclosure may be implemented in any of various systems, as desired.

[0133] As discussed above, the baseband circuitry 604 of FIG. 6 may comprise processors 604A-604E and a memory 604G utilized by said processors. Each of the processors 604A-604E may include a memory interface, 704A-704E, respectively, to send / receive data to / from the memory 604G.

[0134] The baseband circuitry 604 may further include one or more interfaces to communicatively couple to other circuitries / devices, such as a memory interface 712 (e.g., an interface to send / receive data to / from memory external to the baseband circuitry 604) , an application circuitry interface 714 (e.g., an interface to send / receive data to / from the application circuitry 602 of FIG. 6) , an RF circuitry interface 716 (e.g., an interface to send / receive data to / from RF circuitry 606 of FIG. 6) , a wireless hardware connectivity interface 718 (e.g., an interface to send / receive data to / from Near Field Communication (NFC) components,  components (e.g.,  Low Energy) ,  components, and other communication components) , and a power management interface 720 (e.g., an interface to send / receive power or control signals to / from the PMC 612.

[0135] FIG. 8: Core Network

[0136] FIG. 8 illustrates an example architecture of a system 800 including a core network (CN) 820 in accordance with various embodiments. The CN 820 may  be a core network for a 5G System (which may be referred to as a 5GC) . The system 800 is shown to include a UE 801, which may be the same or similar to the UEs 106A, 106B, or 106N discussed previously; a (R) AN 810, which may be the same or similar to the BSs 102A or 102N discussed previously; and a data network (DN) 803, which may be, for example, operator services, Internet access, or 3rd party services; and a CN 820. The CN 820 may include a number of network functions including an Authentication Server Function (AUSF) 822; an Access and Mobility Management Function (AMF) 821; a Session Management Function (SMF) 824; a Network Exposure Function (NEF) 823; a Policy Control Function (PCF) 826; a Network Repository Function (NRF) 825; a Unified Data Management (UDM) 827; an Application Function (AF) 828; a User Plane Function (UPF) 802; and a Network Slice Selection Function (NSSF) 829. These network functions may be implemented, in some cases, as virtualized software based functions / services.

[0137] The UPF 802 may act as an anchor point for intra-RAT and inter-RAT mobility, an external packet data unit (PDU) session point of interconnect to DN 803, and a branching point to support mufti-homed PDU session. A PDU session is a logical connection between the UE and the DN. The UPF 802 may also perform packet routing and forwarding, perform packet inspection, enforce the user plane part of policy rules, lawfully intercept packets (user plane (UP) collection) , perform traffic usage reporting, perform quality of service (QoS) handling for a user plane (e.g., packet filtering, gating, UL / DL rate enforcement) , perform Uplink Traffic verification (e.g., Service Data Flows (SDF) to QoS flow mapping) , transport level packet marking in the uplink and downlink, and perform downlink packet buffering and downlink data notification triggering. UPF 802 may include an uplink classifier to support routing traffic flows to a data network, The DN 803 may represent various network operator services, Internet access, or third party services. DN 803 may include, or be similar to, application server 104 discussed previously. The UPF 802 may interact with the SMF 824 via an N4 reference point between the SMF 824 and the UPF 802.

[0138] The AUSF 822 may store data for authentication of UE 801 and handle authentication-related functionality, The AUSF 822 may facilitate a common authentication frame work for various access types. The AUSF 822 may communicate with the AMF 821 via an N12 reference point between the AMF 821  and the AUSF 822; and may communicate with the UDM 827 via an N13 reference point between the UDM 827 and the AUSF 822. Additionally, the AUSF 822 may exhibit an Nausf service-based interface.

[0139] The AMF 821 may be responsible for registration management (e.g., for registering UE 801, etc. ) , connection management, reachability management, mobility management, and lawful interception of AMF-related events, and access authentication and authorization. The AMF 821 may be a termination point for the an N11 reference point between the AMF 821 and the SMF 824. The AMF 821 may provide transport for SM messages between the UE 801 and the SMF 824, and act as a transparent proxy for routing SM messages. AMF 821 may also provide transport for Short Message Service (SMS) messages between UE 801 and an SMSF (not shown by FIG. 8) . AMF 821 may act as a security anchor function (SEAF) , which may include interaction with the AUSF 822 and the UE 801, receipt of an intermediate key that was established as a result of the UE 801 authentication process. Where Universal Subscriber Identity Module (USIM) based authentication is used, the AMF 821 may retrieve the security material from the AUSF 822. AMF 821 may also include a Security Context Management (SCM) function, which receives a key from the SEAF that it uses to derive access-network specific keys. Furthermore, AMF 821 may be a termination point of a RAN control plane (CP) interface, which may include or be an N2 reference point between the (R)AN 810 and the AMF 821; and the AMF 821 may be a termination point of NAS (Nl) signaling, and perform NAS ciphering and integrity protection.

[0140] AMF 821 may also support NAS signaling with a UE 801 over a non-3GPP Inter-Working Function (N3IWF) interface. The N3IWF may be used to provide access to untrusted entities. N3IWF may be a termination point for the N2 interface between the (R) AN 810 and the AMF 821 for the control plane, and may be a termination point for the N3 reference point between the (R) AN 810 and the UPF 802 for the user plane. As such, the AMF 821 may handle N2 signaling from the SMF 824 and the AMF 821 for PDU sessions and encapsulate / de-encapsulate packets for IPSec and N3 tunneling, mark N3 user-plane packets in the uplink, and enforce QoS corresponding to N3 packet marking while considering QoS requirements associated with such marking received over N2. N3IWF may also relay uplink and downlink control plane non-access stratum (NAS) signaling  between the UE 801 and AMF 821 via an N1 reference point between the UE 801 and the AMF 821, and relay uplink and downlink user-plane packets between the UE 801 and UPF 802. The N3IWF also provides mechanisms for internet protocol security (IPsec) tunnel establishment with the UE 801. The AMF 821 may exhibit an Namf service based interface, and may be a termination point for an N14 reference point between two AMFs 821 and an N17 reference point between the AMF 821 and a 5G Equipment Identity Register (5G-EIR) (not shown by FIG. 8) .

[0141] The UE 801 may need to register with the AMF 821 in order to receive network services. Registration Management (RM) is used to register or deregister the UE 801 with the network (e.g., AMF 821) , and establish a UE context in the network (e.g., AMF 821) . The UE 801 may operate in an RM-REGISTERED state or an RM-DEREGISTERED state. In the RM-DEREGISTERED state, the UE 801 is not registered with the network, and the UE context in AMF 821 holds no valid location or routing information for the UE 801 so the UE 801 is not reachable by the AMF 821. In the RM REGISTERED state, the UE 801 is registered with the network, and the UE context in AMF 821 may hold a valid location or routing information for the UE 801 so the UE 801 is reachable by the AMF 821. In the RM-REGISTERED state, the UE 801 may perform mobility registration update procedures, perform periodic registration update procedures triggered by expiration of the periodic update timer (e.g., to notify the network that the UE 801 is still active) , and perform a Registration Update procedure to update UE capability information or to re-negotiate protocol parameters with the network, among others.

[0142] The AMF 821 may store one or more RM contexts for the UE 801, where each RM context is associated with a specific access to the network. The RM context may be a data structure, database object, etc. that indicates or stores, inter glia, a registration state per access type and the periodic update timer. The AMF 821 may also store a 5GC mobility management (MM) context that may be the same or similar to the evolved packet services (EPS) Mobility Management (E) MM context discussed previously. In various embodiments, the AMF 821 may store a CE mode B Restriction parameter of the UE 801 in an associated MM context or registration management (RM) context. The AMF 821 may also derive the value, when needed, from the UE's usage setting parameter already stored in the UE context (and / or MM / RM context) .

[0143] Connection Management (CM) may be used to establish and release a signaling connection between the UE 801 and the AMF 821 over the N1 interface. The signaling connection is used to enable NAS signaling exchange between the UE 801 and the CN 820, and comprises both the signaling connection between the UE and the AN (e.g., RRC connection or UE-N3IWF connection for non-3GPP access) and the N2 connection for the UE 801 between the AN (e.g., AN 810) and the AMF 821. The UE 801 may operate in one of two CM states, CM-IDLE mode or CM-CONNECTED mode. When the UE 801 is operating in the CM-IDLE state / mode, the UE 801 may have no NAS signaling connection established with the AMF 821 over the N1 interface, and there may be (R) AN 810 signaling connection (e.g., N2 and / or N3 connections) for the UE 801. When the UE 801 is operating in the CM-CONNECTED state / mode, the UE 801 may have an established NAS signaling connection with the AMF 821 over the Nl interface, and there may be a (R) AN 810 signaling connection (e.g., N2 and / or N3 connections) for the UE 801. Establishment of an N2 connection between the (R) AN 810 and the AMF 821 may cause the UE 801 to transition from CM-IDLE mode to CM-CONNECTED mode, and the UE 801 may transition from the CM-CONNECTED mode to the CM-IDLE mode when N2 signaling between the (R) AN 810 and the AMF 821 is released.

[0144] The SMF 824 may be responsible for session management (SM) session establishment, modify and release, including tunnel maintain between UPF and AN node) ; UE IP address allocation and management (including optional authorization) ; selection and control of UP function; configuring traffic steering at UPF to route traffic to proper destination; termination of interfaces toward policy control functions; controlling part of policy enforcement and QoS; lawful intercept (for SM events and interface to LI system) ; termination of SM parts of NAS messages; downlink data notification; initiating AN specific SM information, sent via AMF over N2 to AN; and determining SSC mode of a session. SM may refer to management of a PDU session, and a PDU session or "session" may refer to a PDU connectivity service that provides or enables the exchange of PDUs between a UE 801 and a data network (DN) 803 identified by a Data Network Name (DNN) . PDU sessions may be established upon UE 801 request, modified upon UE 801 and CN 820 request, and released upon UE 801 and CN 820 request using NAS  SM signaling exchanged over the N1 reference point between the UE 801 and the SMF 824. Upon request from an application server, the CN 820 may trigger a specific application in the UE 801. In response to receipt of the trigger message, the UE 801 may pass the trigger message (or relevant parts / information of the trigger message) to one or more identified applications in the UE 801. The identified application (s) in the UE 801 may establish a PDU session to a specific data network name (DNN) . The SMF 824 may check whether the UE 801 requests are compliant with user subscription information associated with the UE 801. In this regard, the SMF 824 may retrieve and / or request to receive update notifications on SMF 824 level subscription data from the UDM 827.

[0145] The SMF 824 may include the following roaming functionality: handling local enforcement to apply QoS SLAB virtual Public Land Mobile Network (VPLMN) ; charging data collection and charging interface (VPLMN) ; lawful intercept (in VPLMN for SM events and interface to LI system) ; and support for interaction with external DN for transport of signaling for PDU session authorization / authentication by external DN. An N16 reference point between two SMFs 824 may be included in the system 800, which may be between another SMF 824 in a visited network and the SMF 824 in the home network in roaming scenarios. Additionally, the SMF 824 may exhibit the Nsmf service-based interface.

[0146] The NEF 823 may provide means for securely exposing the services and capabilities provided by 3GPP network functions for third party, internal exposure / re-exposure, Application Functions (e.g., AF 828) , edge computing or fog computing systems, etc. In such embodiments, the NEF 823 may authenticate, authorize, and / or throttle the AFS. NEF 823 may also translate information exchanged with the AF 828 and information exchanged with internal network functions. For example, the NEF 823 may translate between an AF-Service-Identifier and an internal SCC information. NEF 823 may also receive information from other network functions (NFs) based on exposed capabilities of other network functions. This information may be stored at the NEF 823 as structured data, or at a data storage NF using standardized interfaces. The stored information can then be re-exposed by the NEF 823 to other NFs and AFs, and / or used for other purposes such as analytics. Additionally, the NEF 823 may exhibit an Nnef service-based interface.

[0147] The NRF 825 may support service discovery functions, receive NF discovery requests from NF instances, and provide the information of the discovered NF instances to the NF instances. NRF 825 also maintains information of available NF instances and their supported services. As used herein, the terms "instantiate, " "instantiation, " and the like may refer to the creation of an instance, and an "instance" may refer to a concrete occurrence of an object, which may occur, for example, during execution of program code. Additionally, the NRF 825 may exhibit the Nnrf service based interface.

[0148] The PCF 826 may provide policy rules to control plane function (s) to enforce them, and may also support unified policy framework to govern network behavior, The PCF 826 may also implement a front end (FE) to access subscription information relevant for policy decisions in a UDR of the UDM 827. The PCF 826 may communicate with the AMF 821 via an N15 reference point between the PCF 826 and the AMF 821, which may include a PCF 826 in a visited network and the AMF 821 in case of roaming scenarios. The PCF 826 may communicate with the AF 828 via an NS reference point between the PCF 826 and the AF 828; and with the SMF 824 via an N7 reference point between the PCF 826 and the SMF 824, The system 800 and / or CN 820 may also include an N24 reference point between the PCF 826 (in the home network) and a PCF 826 in a visited network, Additionally, the PCF 826 may exhibit an Npcf service-based interface.

[0149] The UDM 827 may handle subscription-related information to support the network entities'handling of communication sessions, and may store subscription data of UE 801. For example, subscription data may be communicated between the UDM 827 and the AMF 821 via an NS reference point between the UDM 827 and the AMF. The UDM 827 may include two parts, an application FE and a UDR (the FE and UDR are not shown by FIG. 8) . The UDR may store subscription data and policy data for the UDM 827 and the PCF 826, and / or structured data for exposure and application data (including PFDs for application detection, application request information for multiple UEs 801) for the NEF 823. The Nadr service-based interface may be exhibited by the UDR to allow the UDM 827, PCF 826, and NEF 823 to access a particular set of the stored data, as well as to read, update (e.g., add, modify) , delete, and subscribe to notification of relevant data changes in the UDR. The UDM may include a UDM-FE, which is in  charge of processing credentials, location management, subscription management and so on. Several different front ends may serve the same user in different transactions. The UDM-FE accesses subscription information stored in the UDR and performs authentication credential processing, user identification handling, access authorization, registration / mobility management, and subscription management. The UDR may interact with the SMF 824 via an Nl0 reference point between the UDM 827 and the SMF 824. UDM 827 may also support SMS management, wherein an SMS-FE implements the similar application logic as discussed previously. Additionally, the UDM 827 may exhibit the Nudm service based interface.

[0150] The AF 828 may provide application influence on traffic routing, provide access to the NCE, and interact with the policy framework for policy control. The NCE may be a mechanism that allows the CN 820 and AF 828 to provide information to each other via NEF 823, which may be used for edge computing implementations. In such implementations, the network operator and third party services may be hosted close to the UE 801 access point of attachment to achieve an efficient service delivery through the reduced end-to-end latency and load on the transport network. For edge computing implementations, the 5GC may select a UPF 802 close to the UE 801 and execute traffic steering from the UPF 802 to DN 803 via the N6 interface. This may be based on the UE subscription data, UE location, and information provided by the AF 828. In this way, the AF 828 may influence UPF (re) selection and traffic routing. Based on operator deployment, when AF 828 is considered to be a trusted entity, the network operator may permit AF 828 to interact directly with relevant NFs. Additionally, the AF 828 may exhibit an Naf service-based interface.

[0151] The NSSF 829 may select a set of network slice instances serving the UE 801. The NSSF 829 may also determine allowed Network Slice Selection Assistance Information (NSSAI) and the mapping to the subscribed single NSSAI (S-NSSAI) is, if needed. The NSSF 829 may also determine the AMF set to be used to serve the UE 801, or a list of candidate AMF (s) 821 based on a suitable configuration and possibly by querying the NRF 825. The selection of a set of network slice instances for the UE 801 may be triggered by the AMF 821 with which the UE 801 is registered by interacting with the NSSF 829, which may lead to a  change of AMF 821. The NSSF 829 may interact with the AMF 821 via an N22 reference point between AMF 821 and NSSF 829; and may communicate with another NSSF 829 in a visited network via an N31 reference point (not shown by FIG. 8) . Additionally, the NSSF 829 may exhibit an Nnssf service-based interface.

[0152] As discussed previously, the CN 820 may include a short message service function (SMSF) , which may be responsible for SMS subscription checking and verification, and relaying SM messages to / from the UE 801 to / from other entities, such as an SMS-GMSC / IWMSC / SMS-router. The SMS may also interact with AMF 821 and UDM 827 for a notification procedure that the UE 801 is available for SMS transfer (e.g., set a UE not reachable flag, and notifying UDM 827 when UE 801 is available for SMS) .

[0153] The CN 820 may further include a location management function (LMF) 830. The LMF 830 receives measurements and assistance information from the base station 102A and the UE 106 via the AMF 821 over the NLs interface to compute the position of the UE 106.

[0154] The CN 820 may also include other elements that are not shown by FIG. 8, such as a Data Storage system / architecture, a 5G-EIR, a Security Edge Protection Proxy (SEPP) , and the like. The Data Storage system may include a Structured Data Storage Network Function (SDSF) , air Unstructured Data Storage Function (UDSF) , and / or the like. Any network function (NF) may store and retrieve unstructured data into / from the UDSF (e.g., UE contexts) , via N18 reference point between any NF and the UDSF (not shown by FIG. 8) , Individual NFs may share a UDSF for storing their respective unstructured data or individual NFs may each have their own UDSF located at or near the individual NFs. Addition-ally, the UDSF may exhibit an Nudsf service-based interface (not shown by FIG. 8) . The 5G-EIR may be an NF that checks the status of permanent equipment identifier (PEI) for determining whether particular equipment / entities are blacklisted from the network; and the SEPP may be a non-transparent proxy that performs topology hiding, message filtering, and policing on inter-PLMN control plane interfaces.

[0155] Additionally, there may be many more reference points and / or service-based interfaces between the NF services in the NFs; however, these interfaces and reference points have been omitted from FIG. 8 for clarity. In one example, the  CN 820 may include an Nx interface, which is an inter-CN interface between a mobility management entity (MME) and the AMF 821 in order to enable interworking between CN 820 and a CN in a 4G system. Other example interfaces / reference points may include an N5G-EIR service-based interface exhibited by a 5G-EIR, an N27 reference point between the NRF in the visited network and the NRF in the home network; and an N31 reference point between the NSSF in the visited network and the NSSF in the home network.

[0156] The CN 820 can be or can be part of the NW 100. As described herein, the NW 100 and / or the CN 820 can transmit and receive messages with the UE 106 via the base station 102. In addition, the NW 100 (e.g. a server operating in the network) and / or the CN 820 can dynamically manage a database of AI / ML models.

[0157] In some embodiments, the system 800 and the core network (CN) 820 can include an over the air (OTA) or over the top (OTT) server 831.

[0158] AI / ML Model Development

[0159] The development of the AI / ML models may comprise four main phases: a training, emulation (validation) , deployment, and inference phase. The main task involved in each phase are briefly described in the proceeding paragraphs.

[0160] Training Phase: In this phase, the AI model is trained on a dataset. This involves feeding the model with input data and corresponding correct output labels (when supervised) , allowing the model to learn patterns and relationships within the data. There may be no labels when unsupervised or semi-supervised. Training typically involves optimization processes to adjust the model's parameters to minimize errors.

[0161] Emulation Phase: In the emulation phase, the trained model is tested extensively to ensure it performs well on data it hasn't seen before. This phase involves evaluating the model's performance metrics such as accuracy, precision, recall, etc., using validation datasets. Emulation helps identify any issues with the model's generalization and performance before deployment.

[0162] Deployment Phase: Once the model has been trained and successfully  emulated, it's ready for deployment. Deployment involves integrating the model into a production environment where it can make predictions or classifications on new, unseen data. This may involve creating application programming interfaces (APIs) or integrating the model into applications or systems where it will be used.

[0163] Inference Phase: In this phase, the deployed model is used to make predictions or classifications on real-world data referred to herein as a “scenario. ” A scenario typically refers to a specific situation or problem domain in which an AI / ML model is applied or evaluated. Scenarios help frame the context in which AI / ML model is are deployed. The AI / ML model takes input data, processes it, and produces an output referred to as an inference, e.g., position information related to a UE (direct) or parameters used in a Legacy LMF to determine position (assisted) .

[0164] AI Model Monitoring

[0165] Monitoring and Evaluation: A monitoring entity, such as a UE, base station, or location server, can monitor various factors such as data characteristics, system performance metrics, or environmental conditions.

[0166] Decision Making: Based on the monitored factors, the monitoring entity decides whether to switch to a different machine learning model that is better suited for the current conditions or task, finetune the current model using transfer learning to better match the environmental conditions or indicate the need to fall back to non-AI based positioning.

[0167] AI model switching refers to the process of dynamically selecting or switching between different machine learning models or processes based on certain conditions or criteria. This approach is often used in adaptive systems where the optimal model for a particular task may change over time or in different contexts. AI model switching may include the following.

[0168] Model Selection: The monitoring entity selects the most appropriate model from a set of pre-defined models or processes. This selection can be based on factors such as accuracy, efficiency, or robustness.

[0169] Model finetuning: Once a model is selected, the model can be further trained on a dataset that is specific to a task. This is known as finetuning.  Finetuning a pre-trained model can reduce the amount of initial training for the model, while ensuring the model is trained for the specific task for which it will be used. This enables models to be trained more generally for multiple specific tasks. Finetuning a pre-trained model may be optional, depending on how different the initial training is from the end use of the model.

[0170] Adaptation: Once a new model is selected and optionally finetuned, the monitoring entity adapts its operation to use the newly chosen model for making predictions or decisions, or may fall back to legacy methods.

[0171] FIGs. 9A, 9B: AI / ML Based CSI Compression

[0172] Channel state information (CSI) is a set of parameters that are used to describe the state of a communication channel, such as a 3GPP channel. A UE 106 can measure CSI reference signals (CSI-RS) transmitted by a base station and send measurements of reference signal received power (RSRP) back to the base station 102 as feedback.

[0173] A UE 106 is typically configured to send CSI parameters to a base station 102 or other type of network node as feedback. This feedback can include parameters such as the channel quality index (CQI) , a precoding matrix indicator (PMI) , and the rank indicator (RI) . Other indicators in 5G can include the channel state information reference signal (CSI-RS) Resource Indicator (CRI) , the synchronization signal  / physical broadcast channel (SSB) resource block indicator (SSBRI) , the layer indicator (LI) , and a layer one reference signal receive power (L1-RSRP) measurement. As the number of channels and antennas increases, the CSI feedback can take a substantial portion of the available channel bandwidth. In order to decrease the amount of feedback, AI / ML models can be used for encoding and decoding the feedback.

[0174] A two-sided AI / ML model is used in 3GPP 5G Advanced for CSI compression. One example of a two-sided AI / ML model 900 is illustrated in FIG. 9A. In this example, an autoencoder-based two-sided enhancement for implicit CSI feedback is illustrated. In this example, the UE constructs the channel matrix across the whole CSI reference signal. An AI / ML encoder at the UE is used to  compress and quantize a precoding matrix. The compressed and quantized precoding matrix is then converted into a feedback bitstream. The feedback bitstream is sent from the UE 106 to the base station 102. At the base station, an AI / ML based decoder is used to reconstruct the original precoding matrix from the received feedback bitstream. The original codebook-based coding and decoding is replaced with the AI / ML based encoder and decoder.

[0175] In the two-sided AI / ML model 900, the UE 106 does not send the full CSI back to the BS 102. Instead, the UE sends a more compact representation, such as a precoding matrix or a codeword index from a predefined codebook. The BS then uses this information to infer the CSI. This method reduces the amount of data that needs to be sent back to the BS, saving bandwidth. However, it may not be as accurate as explicit feedback, especially in rapidly changing or complex environments. In one example, the AI / ML can be a neural network based encoder and decoder.

[0176] FIG. 9B provides an example illustration of a model 950 for a two-sided enhancement for explicit CSI feedback. In the model 950, the UE 106 can construct a channel matrix across the whole CSI reference signal. The UE uses an AI-based encoder to convert the channel matrix into a compressed bitstream. The compressed bitstream, which represents the entire downlink channel matrix, is sent from the UE to the base station 106. Upon receiving the bitstream, the base station uses an AI / ML based decoder to reconstruct the original channel matrix. The base station then has the original CSI based on the received bitstream. The base station can use the original CSI for further processing and making decisions. The model 950 is expected to be used in 3GPP 6G architectures.

[0177] By sending the full CSI back to the base station in the model 950, more accurate and detailed information is provided about the channel to the base station 106, which can be beneficial for optimizing communication. However, the model uses more bandwidth to send the full CSI. In addition, the model may also use more complex processing at the UE and the BS.

[0178] The historical use of codebooks for CSI feedback in 3GPP created an ecosystem with a diversity of UEs and nodes or base stations. UEs of different vendors can operate in a network. And UEs can operate in networks that are  provided by different network vendors.

[0179] The use of 2-sided AI / ML models, such as 900 or 950, challenges this paradigm since it implies the need to coordinate models on the network and UE side. Without some measure to ensure interoperability, every network node would need to simultaneously run decoder models for every UE chipset AI variant. Similarly, every UE variant with a different chipset would need to be able to obtain and run an AI model for every network variant with a different chipset. Development work would need to take place between every combination of network and UE chipset. Accordingly, the 2-sided AI / ML model for CSI feedback should provide interoperability between UEs and base stations with different hardware chipsets.

[0180] Furthermore, a UE encoder may be configured to provide good performance over a range of channel conditions, doppler levels, signal to noise ratio (SNR) , indoor channel models versus outdoor channel models, and other variations that the two-sided AI model may encounter. Accordingly, the 2-sided AI / ML model for CSI feedback should provide good generalization over the different conditions and deployment scenarios.

[0181] In order to achieve the two goals of interoperability and good generalization, a training collaboration is disclosed herein where multiple UEs participate in exchanging gradient information with an edge server in order to train jointly the encoder decoder pair in the 2-sided AI / ML model for CSI feedback. The edge server can aggregate the gradient information and update and distribute a 2-sided global AI / ML model for CSI-feedback to all participating UEs. Each UE can fine tune and adjust its model to achieve personalized training with only a few samples used in the fine tuning process.

[0182] Generalization Issues

[0183] CSI data can vary greatly depending on factors like the physical environment, user mobility, interference patterns, and UE device types. If the training data does not cover a wide range of these variables, the AI / ML model might not generalize well to new conditions.

[0184] One of the most common issues in generalization is overfitting, where the AI / ML model learns the specific patterns in the training data, including noise and minor variations, but fails to generalize to new environments. For example, CSI data from a specific cell sector or geographic location may not apply well to a different environment with different propagation characteristics (e.g., urban vs. rural or indoors vs outdoors) .

[0185] Different network vendors typically use different antenna configurations, hardware, and signal processing capabilities, leading to variations in CSI data among the base stations and UEs used by each vendor. Models trained with data from one class of NW vendors may not generalize to others, especially if the hardware characteristics vary significantly.

[0186] CSI data collected from stationary or low-mobility users may not generalize well to high-mobility users (e.g., users in vehicles) . High mobility can cause rapid fluctuations in the channel, leading to faster variations in CSI, which a model trained on slow-changing data might not handle well.

[0187] The physical characteristics of different deployment regions (e.g., city, suburban, rural) can lead to drastically different CSI data. A model trained in one geographic area may fail to generalize well to another due to variations in building density, foliage, terrain, and other environmental factors.

[0188] To mitigate generalization issues in CSI AI / ML prediction, a robust and diverse training dataset across UEs, and adaptive learning techniques can be used. These steps ensure that the AI / ML model can handle a wide range of conditions, from different environments and user profiles to network configurations and temporal changes.

[0189] FIG. 10: Federated Learning

[0190] For distributed edge networks, the volume of local data of each UE that is operating as an edge device may be limited. This can hinder the ability of a single UE to independently train a model with superior performance. In order to train a generalizable model, a federated learning framework can be used, which can reduce the communication overhead caused by transmitting datasets for  centralized learning and also obtain the performance gain from a larger dataset.

[0191] With federated learning, the amount of communication does not increase with the size of the data set. The size of the data set only depends on the number of parameters of the AI / ML neural network model. In this way, the system can fully utilize the data owned by the devices without additional consideration of the communication burden when the number of parameters in the AI / ML neural network model (AI / ML model) is small.

[0192] In the example illustration of FIG. 10, each UE operating as an edge device k trains jointly its local autoencoder model using the local dataset and minimizes the loss function to minimize the loss function and acquire the optimal parameters:

[0193] Where Θk, t represents the model parameters trained by the k-th UE operating as an edge device during the t-th communication round.

[0194] After each local model update, all UEs operating as edge devices upload their respective local model parameters to the edge server.

[0195] The edge server uses aggregation processes, to aggregate a global model with stronger generalization ability. The global model comprises:

[0196] global joint model parameters. Where ΘG, t denotes the aggregated global model parameters during the t-th communication round.

[0197] In the example of FIG. 10, the edge server can broadcast ΘG, t to the UEs operating as edge devices to start a new round of updates. Each edge device collects a large amount of CSI for the dataset for training. The edge server initializes the model parameter for training and then broadcasts it to all edge  devices to enable the training of federated learning. Each of the k UEs operating as edge devices will individually train the network model at the UE given by the edge server with the UE’s own dataset

[0198] Local Model Parameter Updating

[0199] The optimization task of each UE 106 operating as an edge device is described as:

[0200] where Θk, t (e) is the local model parameters for the e-th epoch of the k-th UE operating as an edge device, η is the step size, and is the gradient symbol.

[0201] When each edge device completes E epochs of training, it uploads the magnitude of parameter alterations gk=Θk, t (e) -Θk, t (0) to the edge server.

[0202] Global Model Parameter Updating

[0203] The global model weighs the model gradient from all of the k UEs operating as edge devices equally in the aggregation phase. Since the edge server has the last update of the global model, the aggregation can be expressed as:

[0204] FIGs. 11 –12: Issues with Federated Learning

[0205] Federated learning is a distributed learning approach that safeguards data privacy. It involves training a shared data model by solely exchanging model parameters without sharing data from a node, such as a UE 106. However, in federated learning, the non-uniform distribution of training samples among different UEs, due to potential differences between datasets, can lead to significant  performance biases across devices.

[0206] Although utilizing data from multiple UEs 106 can enhance the performance of the AI / ML decoder model at the base station 102, as illustrated in FIGs. 9A or 9B, compared to using only local data for training, in the context of federated learning, different UEs may experience significant variations in their local data due to different propagation conditions, resulting in non-identical and imbalanced data distributions.

[0207] These disparities in data sources and quantities can lead to significant performance biases across different UEs, making the globally trained model at the encoder unsuitable for use by all UEs.

[0208] For example, the CSI samples from different UEs in an urban macro cell have similar wireless characteristics, while the CSI samples in another cell, such as a micro cell in the countryside, hold different characteristics. Thus the datasets collected from the two cells formulate two different tasks.

[0209] FIG. 11 provides an example illustration of UEs operating at different concentric distances from a base station. For UEs operating as edge devices on the same circle i.e. on the same inner circle or outer circle, their local CSI data will have similar statistics. However, the CSI data between the edge devices on the outer circle and the inner circle have different statistical characteristics due to the differing distance from the base station. The different statistical characteristics means that their CSI is non-independent-and-identically-distributed (non-IID) . This means that the UEs operating as edge devices at different distances from the UE formulate different tasks.

[0210] The highly personalized and heterogenous features of the CSI data collected by non-collocated UEs operating as edge devices will result in the encoder portion of the global model that doesn’ t generalize well to the local data of each UE operating as an edge device.

[0211] FIG. 12 provides an illustration of a two-sided AI / ML model for CSI feedback with a global decoder operating at the base station / network and a global encoder operating at each of k UEs. The global AI / ML encoder at each of the k UEs receive the weights (e.g. ΘG, t in FIG. 10) from the global model as an  initialization. The UE can then fine tune the global encoder model with a limited data sample. However, because the global model may not be able to account for all of the variations in the CSI data at the UE, as previously discussed, the output of the encoder with the fine tuning is a poor generalization.

[0212] Accordingly, the federated learning process may not converge well and the accuracy of the results may be significantly reduced. This creates a substantial demand for addressing the training of heterogeneous data in federated learning.

[0213] In contrast with federated learning, the process of meta-learning aims to learn and extract transferrable knowledge from previous tasks to train a well-initiated model that is capable of quickly adapting to new tasks, thereby preventing overfitting of the global AI / ML model and facilitating rapid adaptation to the inconsistent data distributions in federated learning.

[0214] Meta-learning aims to learn a good model initialization such that the model has maximal performance on a new task with limited samples after a small number of gradient descent.

[0215] According to some embodiments, a combination of federated learning and meta-learning can be applied to the global AI / ML encoder at each of the k UEs. Federated meta-learning treats each client as a task and trains a well-initialized model that can quickly adapt to new tasks on the client side through a few simple steps of gradient descent. Instead of training a global model that ingests all tasks, a well-initialized model can be trained that can achieve rapid adaptation to new tasks.

[0216] FIG. 13 -14: Federated Meta-learning

[0217] FIG. 13 provides an illustration of a two-sided AI / ML model for a CSI feedback global decoder operating at the base station / network and a fine-tuned encoder operating at each of k UEs that uses federated learning plus meta-learning, with an inference model operating to fine tune the output of the global encoder model at each of the k UEs that provides good generalization at both the encoder fine-tuned output at each UE and at the decoder global output at the BS / network. The use of federated meta-learning to train the two-sided AI / ML  model for CSI feedback will be described in more details in the proceeding paragraphs.

[0218] The goal of meta-learning is to meta-train a process that can quickly train the model, e.g. a deep neural network, for new tasks. The process is in general parameterized, where its parameter φ is updated in the meta-training process using a collection of tasks.

[0219] In one example, φ is the global parameter computed at the edge server and distributed to all tasks Each of the k UEs can have multiple different tasks, such as CSI measurements at different times, different distances from the network, different environments (e.g. urban / rural, indoor outdoor) , and so forth.

[0220] A task T in meta-training consists of a support set used to train:

[0221] And a query set used as a test set:

[0222] both of which contain labeled data points. Accordingly, each UE can include a support set of data and a query set of data for different CSI measurement environments encountered by the UE. The query set of data can be CSI measurement data that is distinct (disjoint) from the CSI measurement data included in the support set of data to maximize the generalization ability of

[0223] An inner loop is performed for each task T. The inner loop comprises the process which trains a model f on the support set and outputs parameter θT which is referred to as an inner update. The model is then evaluated on the query set and some test loss is computed to reflect the training ability of This inner loop is repeated for many different tasks.

[0224] Finally,  is updated to minimize the test loss, which is referred to as an outer update.

[0225] Note that the support and query sets are disjoint to maximize the generalization ability of

[0226] Meta-training proceeds in an episodic manner, wherein in each episode a batch of tasks are sampled from a task distribution over a meta-training set. Therefore, the process is optimized with the following objective:

[0227] In some embodiments, a model agnostic meta learning (MAML) is applied as a representative gradient-based meta-learning method that trains the model with gradient update steps.

[0228] The process for MAML is simply used to provide the initialization for the model. In particular, for each task T, the process maintains φ=θ that serves as the initial value of the parameter of model f.

[0229] Then fθ is trained on the support set and θ is updated to θT using one (or more) gradient descent step with training loss:

[0230] Finally is tested on the query set and the test loss:

[0231] is calculated.

[0232] The optimization objective is:

[0233] where the minimization comprises the outer update with query set testing, and the test loss comprises the inner update with support set training.

[0234] Under the setting of federated learning the training data is distributed among a set of UEs. In some embodiments, an AI / ML model can be collaboratively trained without collecting data onto the server. The model may be distributed and trained on the UEs. A server, such as the edge server illustrated in FIG. 10 or a server operating at the network 820 illustrated in FIG. 8, can maintain a shared model by averaging the updated models collected from the UEs. The UEs may be operating as k edge devices, as shown in FIG. 10.

[0235] Meta-learning is incorporated into the federated learning framework. The goal is to collaboratively meta-train a process using data distributed among the UEs as tasks. Taking MAML as a running example, an initialization for the model can be trained by using all UEs’ data together. MAML contains two levels of optimization: the inner loop to train task-specific models using the maintained initialization, and the outer loop to update the initialization with the tasks’ test loss.

[0236] In the federated setting, each client u retrieves the initialization θ from the server, trains the model using a support set of data on the UE, and sends the test loss on a separate query set to the server.

[0237] The server can maintain the initialization, and update the initialization by collecting test losses from a selected subset of the k UE devices.

[0238] The transmitted information in this process consists of the model parameter initialization (from server to UEs) and test loss (from UEs to server) . Accordingly, no data needs to be sent to or received by the server.

[0239] The process described is the federated meta-learning framework with MAML where a communication round corresponds to an episode in meta-learning terminology.

[0240] To deploy the AI / ML model encoder on UE u after meta-training, the initialization θ is updated using the training set of u, and the obtained θu is used to output inferences that are used as predictions from the AI / ML model encoder at the UE.

[0241] FIG. 14 illustrates a flow chart depicting a process illustrated in FIG. 15 for federated meta-training of the distributed AI / ML model on m UEs u. In a first  operation, each client u retrieves the initialization θ from the server. In a second operation, the model is trained using a support set of data on the UE. In a third operation, test feedback is uploaded to the server by sending the test loss on a separate query set to the server, as previously discussed. In a fourth operation, the process is updated at the server, wherein the server collects test losses from a selected subset of the k UE devices (u1 to um) , updates the initialization, and sends the updated initialization to the UE devices. It can be noted that operations 1 to 10 in FIG. 15 represent the outer update performed at the server, and operations 11 to 18 represent the inner update performed at each UE, as previously discussed.

[0242] The use of federated meta-learning creates a synergistic system in which the advantages of federated learning reduces the amount of data communicated between the UEs and the server, with the advantages of meta-learning by enabling each UE to be trained on multiple tasks in different environments with different propagation characteristics. This enables a two-sided AI / ML model for CSI feedback with a global decoder operating at the base station / network and a global encoder operating at each of k UEs to be trained in a distributed manner that provides good generalization of a global decoder and a global encoder. The global encoder model at the UE can be quickly fine-tuned with a limited data set to enable the global encoder model to be used to accurately infer CSI feedback information for the multiple tasks in the different environments with the different propagation characteristics. It will be appreciated that the technical solutions provided herein may be incorporated into future specifications, including 3GPP Release 19.

[0243] FIGS. 16 & 17: Method of Training a CSI AI / ML Model using Federated Meta-Learning for CSI Feedback in a Wireless Communication System

[0244] FIGS. 16 and 17 illustrate example flow charts for methods of training a CSI AI / ML Model for CSI feedback using federated meta-learning in a wireless communication system, according to some embodiments.

[0245] Referring to FIG. 16, a method 1600 comprises performing channel state information (CSI) feedback with a CSI artificial intelligence (AI)  / machine learning (ML) model at a user equipment (UE) . The method 1600 comprises receiving, at the UE, an initialization value from a server, as shown in block 1610. An encoder AI / ML model portion of the CSI AI / ML model can be trained using the initialization value and a task specific support set of data located at the UE that is collected by the UE to form a trained encoder AI / ML model, as shown in block 1620. The trained encoder AI / ML model can be tested using a separate query set of data located at the UE to determine a test loss value for the UE, as shown in block 1630. The test loss value for the trained AI / ML model can be sent to the server to enable the server to aggregate test loss for a plurality of UEs and calculate an updated initialization value that reduces the aggregated test loss for the plurality of UEs, as shown in block 1640. The updated initialization value at the UE can be received from the server, as shown in block 1650. The encoder AI / ML model can be trained using the updated initialization value and the task specific support set of data located at the UE to form an updated encoder AI / ML model, as shown in block 1660. CSI feedback information can be inferred from the updated encoder AI / ML model for transmission to a base station that is configured to send reference signals to the UE, as shown in block 1670.

[0246] In some embodiments, the method 1600 can further comprise performing an inner loop comprising: training the encoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form the updated AI / ML model; testing the updated AI / ML model using the separate query set of data located at the UE to determine an updated test loss value for the UE; and sending the updated test loss value to the server.

[0247] The method 1600 can further comprise performing an outer loop comprising: sending the updated test loss value to the server to enable the server to aggregate updated test loss for the plurality of UEs and calculate an iterated initialization value that reduces the aggregated test loss for the plurality of UEs; receiving the iterated initialization value at the UE; and continuing to perform the inner loop and the outer loop until the updated test loss value for the UE is less than a threshold value.

[0248] In some embodiments, the method 1600 can further comprise training the decoder AI / ML model of the CSI AI / ML model using the initialization value and the task specific support set of data located at the UE that is collected by the UE to form a trained decoder AI / ML model; testing the trained decoder AI / ML model using a separate query set of data located at the UE to determine a decoder test loss value for the UE; sending the decoder test loss value for the trained AI / ML model to the server to enable the server to aggregate decoder test loss for a plurality of UEs and calculate an updated initialization value that reduces the aggregated decoder test loss for the plurality of UEs; receive the updated initialization value at the UE; train the decoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form an updated decoder AI / ML model; and decode CSI feedback information from the updated encoder AI / ML model to be received at the base station configured to send reference signals to the UE.

[0249] In some embodiments, the method of training of the decoder AI / ML model of the CSI AI / ML model can further comprise

[0250] performing an inner loop comprising: training the decoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form the updated decoder AI / ML model; testing the updated decoder AI / ML model using the separate query set of data located at the UE to determine an updated decoder test loss value for the UE; and sending the updated decoder test loss value to the server; and performing an outer loop comprising: sending the updated test loss decoder value to the server to enable the server to aggregate updated test loss decoder values for the plurality of UEs and calculate an iterated initialization value that reduces the aggregated test loss decoder value for the plurality of UEs; receiving the iterated initialization value at the UE; and continuing to perform the inner loop and the outer loop until the updated test loss decoder value for the UE is less than a threshold value.

[0251] In some embodiments, the server is one of an edge server or a server located at a network of the UE.

[0252] In some embodiments, the task specific support set of data is measured at the UE for one or more tasks comprising: a UE propagation environment, a  selected delay spread, a signal to noise ratio (SNR) , a UE mobility speed, the UE operating with line of sight (LOS) , the UE operating without line of sight (NLOS) , the UE operating indoors, the UE operating outdoors, the UE operating in an urban environment, the UE operating in a suburban environment, the UE operating in a rural environment, the UE operating in a vehicle, the UE operating a selected distance from a base station, or CSI received by the UE is non-independent-and-identically-distributed (non-IID) . The query set of data can also be measured at the UE for the one or more tasks. The query set of data can be distinct from the support set of data. For example, a UE may perform CSI measurements at a selected distance from the base station. A first selected number of the CSI measurements can be used in the support set of data. A second selected number of the CSI measurements can be used in the query set of data. The first selected number and the second selected number of the CSI measurements can be separate and distinct (e.g. not the same measurements) .

[0253] In some embodiments, the method 1600 can further comprise performing fine tuning of the encoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE.

[0254] In some embodiments, the method 1600 can comprise performing the fine tuning using meta-stochastic gradient descent.

[0255] Referring to FIG. 17, a method 1700 of training a channel state information (CSI) artificial intelligence (AI)  / machine learning (ML) model at a server is disclosed. The method 1700 comprises sending, from the server, an initialization value to a plurality of UEs, as shown in block 1710. The initialization value may be transmitted or broadcast by a node, such as a gNB to the plurality of UEs. The initialization value is used by the plurality of UEs to: train an encoder AI / ML model portion of the CSI AI / ML model using the initialization value and a task specific support set of data located at each of the plurality of UEs that is collected by each UE to form a trained encoder AI / ML model at each of the plurality of UEs, as shown in block 1720. The trained encoder AI / ML model can be tested using a separate query set of data located at each of the plurality of UEs to determine a test loss value for each of the plurality of UEs, as shown in block 1730.

[0256] The method 1700 further comprises receiving the test loss values for the  trained AI / ML models at the server, aggregating the test loss values for the plurality of UEs, calculating an updated initialization value that reduces the aggregated test loss for the plurality of UEs; and sending the updated initialization value to the plurality of UEs to enable each of the plurality of UEs, as shown in block 1740. The updated initialization value can be used to train the encoder AI / ML model at each of the plurality of UEs using the updated initialization value and the task specific support set of data located at each of the plurality of UEs to form an updated encoder AI / ML model, as shown in block 1750. The CSI feedback information can be inferred from the updated encoder AI / ML model at each of the plurality of UEs for transmission to a base station that is configured to send reference signals to the UE, as shown in block 1760.

[0257] In some embodiments, the updated initialization value enables each of the plurality of UEs to perform fine tuning at each UE to form a distinct updated encoder AI / ML model at each UE.

[0258] In some embodiments, the method 1700 can further comprise performing an outer loop comprising: receiving an updated test loss value from each of the plurality of UEs; aggregating the updated test loss for the plurality of UEs; calculating an iterated initialization value that reduces the updated aggregated test loss for the plurality of UEs; and sending the iterated initialization value to each of the plurality of UEs.

[0259] In some embodiments, the method 1700 can further comprise receiving a decoder test loss value for a trained AI / ML decoder model from each of the plurality of UEs; aggregating the decoder test loss value for the plurality of UEs; calculating an updated initialization value that reduces the aggregated decoder test loss for the plurality of UEs; and sending the updated initialization value to the plurality of UEs.

[0260] Receiving a decoder test loss value for a trained AI / ML decoder model from each of the plurality of UEs can further comprise performing an outer loop comprising: receiving an updated test loss decoder value at the server from each of the plurality of UEs; aggregating an updated test loss decoder value for the plurality of UEs; calculating an iterated initialization value that reduces the updated aggregated test loss decoder value for the plurality of UEs; and sending the iterated  initialization value to each of the plurality of UEs. The iterated initialization value can be sent to the network to enable the network to infer CSI feedback information from the updated decoder AI / ML model at a base station that is configured to send reference signals to the UE.

[0261] In some embodiments, the server can be one of an edge server or a server located at a network of the UE.

[0262] The task specific support set of data can be measured at the UE for one or more tasks comprising: a UE propagation environment, a selected delay spread, a signal to noise ratio (SNR) , a UE mobility speed, the UE operating with line of sight (LOS) , the UE operating without line of sight (NLOS) , the UE operating indoors, the UE operating outdoors, the UE operating in an urban environment, the UE operating in a suburban environment, the UE operating in a rural environment, the UE operating in a vehicle, or the UE operating a selected distance from a base station.

[0263] In some embodiments, a baseband processor is configured to cause a user equipment (UE) to perform any of the elements of the method 1600.

[0264] In some embodiments, an apparatus is configured to cause a user equipment (UE) , having one or more processors coupled to a memory, to perform any of the elements of the method 1600.

[0265] In some embodiments, a computer program product is disclosed that comprises computer instructions which, when executed by one or more processors, perform any of the operations described herein.

[0266] Embodiments of the present disclosure may be realized in any of various forms. For example, some embodiments may be realized as a computer-implemented method, a computer readable memory medium, or a computer system. Other embodiments may be realized using one or more custom-designed hardware devices such as ASICs. Still other embodiments may be realized using one or more programmable hardware elements such as FPGAs.

[0267] In some embodiments, a non-transitory computer-readable memory medium may be configured so that it stores program instructions and / or data, where the program instructions, if executed by a computer system, cause the  computer system to perform a method, e.g., any of the method embodiments described herein, or, any combination of the method embodiments described herein, or, any subset of any of the method embodiments described herein, or, any combination of such subsets.

[0268] In some embodiments, a device (e.g., a UE 106) may be configured to include a processor (or a set of processors) and a memory medium, where the memory medium stores program instructions, where the processor is configured to read and execute the program instructions from the memory medium, where the program instructions are executable to implement any of the various method embodiments described herein (or, any combination of the method embodiments described herein, or, any subset of any of the method embodiments described herein, or, any combination of such subsets) . The device may be realized in any of various forms.

[0269] Any of the methods described herein for operating a user equipment (UE) may be the basis of a corresponding method for operating a base station, by interpreting each message / signal X received by the UE in the downlink as message / signal X transmitted by the base station, and each message / signal Y transmitted in the uplink by the UE as a message / signal Y received by the base station.

[0270] The present disclosure contemplates that, in some embodiments, data used by the Federated Meta Learning Training collaboration for AI / ML CSI Feedback processes includes publicly available data. To protect user privacy, data may be anonymized, aggregated, and / or otherwise processed to remove or to the degree possible limit any individual identification. As discussed herein, entities that collect, share, and / or otherwise utilize such data should obtain user consent prior to and / or provide transparency when collecting such data. Furthermore, the present disclosure contemplates that the entities responsible for the use of data, including, but not limited to data used in association with Federated Meta Learning Training collaboration processes, should attempt to comply with well-established privacy policies and / or privacy practices.

[0271] For example, such entities may implement and consistently follow policies and practices recognized as meeting or exceeding industry standards and  regulatory requirements for developing and / or training Federated Meta Learning Training collaboration for AI / ML CSI Feedback processes. In doing so, attempts should be made to ensure all intellectual property rights and privacy considerations are maintained. Training should include practices safeguarding training data, such as personal information, through sufficient protections against misuse or exploitation. Such policies and practices should cover all stages of the Federated Meta Learning Training collaboration for AI / ML CSI Feedback processes development, training, and use, including data collection, data preparation, model training, model evaluation, model deployment, and ongoing monitoring and maintenance. Transparency and accountability should be maintained throughout. Such policies should be easily accessible by users and should be updated as the collection and / or use of data changes. User data should be collected for legitimate and reasonable uses of the entity and not shared or sold outside of those legitimate uses. Further, such collection and sharing should occur through transparency with users and / or after receiving the informed consent of the users. Additionally, such entities should consider taking any needed steps for safeguarding and securing access to such data and ensuring that others with access to the data adhere to their privacy policies and procedures. Further, such entities should subject themselves to evaluation by third parties to certify, as appropriate for transparency purposes, their adherence to widely accepted privacy policies and practices. In addition, policies and / or practices should be adapted to the particular type of data being collected and / or accessed and tailored to a specific use case and applicable laws and standards, including jurisdiction-specific considerations.

[0272] In some embodiments, Federated Meta Learning Training collaboration for AI / ML CSI Feedback processes may utilize models that may be trained (e.g., supervised learning or unsupervised learning) using various training data, including data collected using a user device. Such use of user-collected data may be limited to operations on the user device. For example, the training of the model can be done locally on the user device so no part of the data is sent to another device. In other implementations, the training of the model can be performed using one or more other devices (e.g., server (s) ) in addition to the user device but done in a privacy preserving manner, e.g., via multi-party computation as may be done cryptographically by secret sharing data or other means so that the user data is not  leaked to the other devices.

[0273] In some embodiments, the trained model can be centrally stored on the user device or stored on multiple devices, e.g., as in federated learning. Such decentralized storage can similarly be done in a privacy preserving manner, e.g., via cryptographic operations where each piece of data is broken into shards such that no device alone (i.e., only collectively with another device (s) ) or only the user device can reassemble or use the data. In this manner, a pattern of behavior of the user or the device may not be leaked, while taking advantage of increased computational resources of the other devices to train and execute the ML model. Accordingly, user-collected data can be protected. In some implementations, data from multiple devices can be combined in a privacy-preserving manner to train an ML model.

[0274] In some embodiments, the present disclosure contemplates that data used for Federated Meta Learning Training collaboration for AI / ML CSI Feedback processes may be kept strictly separated from platforms where the Federated Meta Learning Training collaboration processes are deployed and / or used to interact with users and / or process data. In such embodiments, data used for offline training of the Federated Meta Learning Training collaboration processes may be maintained in secured datastores with restricted access and / or not be retained beyond the duration necessary for training purposes. In some embodiments, the Federated Meta Learning Training collaboration processes may utilize a local memory cache to store data temporarily during a user session. The local memory cache may be used to improve performance of the Federated Meta Learning Training collaboration processes. However, to protect user privacy, data stored in the local memory cache may be erased after the user session is completed. Any temporary caches of data used for online learning or inference may be promptly erased after processing. All data collection, transfer, and / or storage should use industry-standard encryption and / or secure communication.

[0275] In some embodiments, as noted above, techniques such as federated learning, differential privacy, secure hardware components, homomorphic encryption, and / or multi-party computation among other techniques may be utilized to further protect personal information data during training and / or use of the  Federated Meta Learning Training collaboration processes. The Federated Meta Learning Training collaboration processes should be monitored for changes in underlying data distribution such as concept drift or data skew that can degrade performance of the Federated Meta Learning Training collaboration processes over time.

[0276] In some embodiments, the Federated Meta Learning Training collaboration processes are trained using a combination of offline and online training. Offline training can use curated datasets to establish baseline model performance, while online training can allow the Federated Meta Learning Training collaboration processes to continually adapt and / or improve. The present disclosure recognizes the importance of maintaining strict data governance practices throughout this process to ensure user privacy is protected.

[0277] In some embodiments, the Federated Meta Learning Training collaboration processes may be designed with safeguards to maintain adherence to originally intended purposes, even as the Federated Meta Learning Training collaboration processes adapt based on new data. Any significant changes in data collection and / or applications of Federated Meta Learning Training collaboration process use may (and in some cases should) be transparently communicated to affected stakeholders and / or include obtaining user consent with respect to changes in how user data is collected and / or utilized.

[0278] Despite the foregoing, the present disclosure also contemplates embodiments in which users selectively restrict and / or block the use of and / or access to data. That is, the present disclosure contemplates that hardware and / or software elements can be provided to prevent or block access to data. For example, in the case of some services, the present technology should be configured to allow users to select to “opt in” or “opt out” of participation in the collection of data during registration for services or anytime thereafter. In another example, the present technology should be configured to allow users to select not to provide certain data for training the Federated Meta Learning Training collaboration processes and / or for use as input during the inference stage of such systems. In yet another example, the present technology should be configured to allow users to be able to select to limit the length of time data is maintained or entirely prohibit the use of their data  for use by the Federated Meta Learning Training collaboration processes. In addition to providing “opt in” and “opt out” options, the present disclosure contemplates providing notifications relating to the access or use of personal information. For instance, a user can be notified when their data is being input into the Federated Meta Learning Training collaboration processes for training or inference purposes, and / or reminded when the Federated Meta Learning Training collaboration processes generate outputs or make decisions based on their data.

[0279] The present disclosure recognizes Federated Meta Learning Training collaboration processes should incorporate explicit restrictions and / or oversight to mitigate against risks that may be present even when such systems having been designed, developed, and / or operated according to industry best practices and standards. For example, outputs may be produced that could be considered erroneous, harmful, offensive, and / or biased; such outputs may not necessarily reflect the opinions or positions of the entities developing or deploying these systems. Furthermore, in some cases, references to or failures to cite third-party products and / or services in the outputs should not be construed as endorsements or affiliations by the entities providing the Federated Meta Learning Training collaboration processes. Generated content can be filtered for potentially inappropriate or dangerous material prior to being presented to users, while human oversight and / or ability to override or correct erroneous or undesirable outputs can be maintained as a failsafe.

[0280] The present disclosure further contemplates that users of the Federated Meta Learning Training collaboration processes should refrain from using the services in any manner that infringes upon, misappropriates, or violates the rights of any party. Furthermore, the Federated Meta Learning Training collaboration processes should not be used for any unlawful or illegal activity, nor to develop any application or use case that would commit or facilitate the commission of a crime, or other tortious, unlawful, or illegal act including misinformation, disinformation, misrepresentations (e.g., deepfakes) , deception, impersonation, and propaganda. The Federated Meta Learning Training collaboration processes should not violate, misappropriate, or infringe any copyrights, trademarks, rights of privacy and publicity, trade secrets, patents, or other proprietary or legal rights of any party, and appropriately attribute content as required. Further, the Federated Meta  Learning Training collaboration processes should not interfere with any security, digital signing, digital rights management, content protection, verification, or authentication mechanisms. The Federated Meta Learning Training collaboration processes should not misrepresent machine-generated outputs as being human-generated.

[0281] Although the embodiments above have been described in considerable detail, numerous variations and modifications will become apparent to those skilled in the art once the above disclosure is fully appreciated. It is intended that the following claims be interpreted to embrace all such variations and modifications.

Claims

1.A method of performing channel state information (CSI) feedback with a CSI artificial intelligence (AI)  / machine learning (ML) model at a user equipment (UE) , the method comprising:receiving, at the UE, an initialization value from a server;training an encoder AI / ML model portion of the CSI AI / ML model using the initialization value and a task specific support set of data located at the UE that is collected by the UE to form a trained encoder AI / ML model;testing the trained encoder AI / ML model using a separate query set of data located at the UE to determine a test loss value for the UE;sending the test loss value for the trained AI / ML model to the server to enable the server to aggregate test loss for a plurality of UEs and calculate an updated initialization value that reduces the aggregated test loss for the plurality of UEs;receiving the updated initialization value at the UE;training the encoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form an updated encoder AI / ML model; andinferring CSI feedback information from the updated encoder AI / ML model for transmission to a base station that is configured to send reference signals to the UE.2.The method of claim 1, further comprising:performing an inner loop comprising:training the encoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form the updated AI / ML model;testing the updated AI / ML model using the separate query set of data located at the UE to determine an updated test loss value for the UE; andsending the updated test loss value to the server; and performing an outer loop comprising:sending the updated test loss value to the server to enable the server to aggregate updated test loss for the plurality of UEs and calculate an iterated initialization value that reduces the aggregated test loss for the plurality of UEs;receiving the iterated initialization value at the UE; andcontinuing to perform the inner loop and the outer loop until the updated test loss value for the UE is less than a threshold value.3.The method of claim 1, further comprising:training a decoder AI / ML model of the CSI AI / ML model using the initialization value and the task specific support set of data located at the UE that is collected by the UE to form a trained decoder AI / ML model;testing the trained decoder AI / ML model using a separate query set of data located at the UE to determine a decoder test loss value for the UE;sending the decoder test loss value for the trained AI / ML model to the server to enable the server to aggregate decoder test loss for a plurality of UEs and calculate an updated initialization value that reduces the aggregated decoder test loss for the plurality of UEs;receiving the updated initialization value at the UE;training the decoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form an updated decoder AI / ML model; andinferring CSI feedback information from the updated decoder AI / ML model to be received by the base station configured to send reference signals to the UE.4.The method of claim 3, further comprising:performing an inner loop comprising:training the decoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE to form the updated decoder AI / ML model;testing the updated decoder AI / ML model using the separate query set of data located at the UE to determine an updated decoder test loss value for the UE; andsending the updated decoder test loss value to the server; andperforming an outer loop comprising:sending the updated test loss decoder value to the server to enable the server to aggregate updated test loss decoder values for the plurality of UEs and calculate an iterated initialization value that reduces the aggregated test loss decoder value for the plurality of UEs;receiving the iterated initialization value at the UE; andcontinuing to perform the inner loop and the outer loop until the updated test loss decoder value for the UE is less than a threshold value.5.The method of claim 1, wherein the server is one of an edge server or a server located at a network of the UE.6.The method of claim 1, wherein the task specific support set of data and the query set of data are each measured at the UE for one or more tasks comprising: a UE propagation environment, a selected delay spread, a signal to noise ratio (SNR) , a UE mobility speed, the UE operating with line of sight (LOS) , the UE operating without line of sight (NLOS) , the UE operating indoors, the UE operating outdoors, the UE operating in an urban environment, the UE operating in a suburban environment, the UE operating in a rural environment, the UE operating in a vehicle, the UE operating a selected distance from a base station, or CSI received by the UE is non-independent-and-identically-distributed (non-IID) .7.The method of claim 1, further comprising performing fine tuning of the encoder AI / ML model using the updated initialization value and the task specific support set of data located at the UE.8.The method of claim 7, further comprising performing the fine tuning using meta-stochastic gradient descent.9.The method of claim 1, wherein the task specific support set of data is distinct from the query set of data.10.A method of training a channel state information (CSI) artificial intelligence (AI)  / machine learning (ML) model at a server, the method comprising:sending, from the server, an initialization value to a plurality of user equipment (UEs) ;wherein the initialization value is used by the plurality of UEs to:train an encoder AI / ML model portion of the CSI AI / ML model using the initialization value and a task specific support set of data located at each of the plurality of UEs that is collected by each UE to form a trained encoder AI / ML model at each of the plurality of UEs; andtest the trained encoder AI / ML model using a separate query set of data located at each of the plurality of UEs to determine a test loss value for each of the plurality of UEs;receiving the test loss values for the trained AI / ML models at the server;aggregating the test loss values for the plurality of UEs;calculating an updated initialization value that reduces the aggregated test loss for the plurality of UEs; andsending the updated initialization value to the plurality of UEs to enable each of the plurality of UEs to:train the encoder AI / ML model at each of the plurality of UEs using the updated initialization value and the task specific support set of data located at each of the plurality of UEs to form an updated encoder AI / ML model; andinfer CSI feedback information from the updated encoder AI / ML model at each of the plurality of UEs for transmission to a base station that is configured to send reference signals to the UE.11.The method of claim 10, wherein the updated initialization value enables each of the plurality of UEs to perform fine tuning at each UE to form a distinct updated encoder AI / ML model at each UE.12.The method of claim 10, further comprising:performing an outer loop comprising:receiving an updated test loss value from each of the plurality of UEs;aggregating the updated test loss for the plurality of UEs;calculating an iterated initialization value that reduces the updated aggregated test loss for the plurality of UEs; andsending the iterated initialization value to each of the plurality of UEs.13.The method of claim 10, further comprising:receiving a decoder test loss value for a trained AI / ML decoder model from each of the plurality of UEs;aggregating the decoder test loss value for the plurality of UEs;calculating an updated initialization value that reduces the aggregated decoder test loss for the plurality of UEs; andsending the updated initialization value to the plurality of UEs.14.The method of claim 13, further comprising:performing an outer loop comprising:receiving an updated test loss decoder value at the server from each of the plurality of UEs;aggregating an updated test loss decoder value for the plurality of UEs;calculating an iterated initialization value that reduces the updated aggregated test loss decoder value for the plurality of UEs; andsending the iterated initialization value to each of the plurality of UEs.15.The method of claim 14, further comprising sending the iterated initialization value to a network of the UE to enable the network to infer CSI feedback information from the updated decoder AI / ML model at a base station that is configured to send reference signals to the UE.16.The method of claim 10, wherein the server is one of an edge server or a server located at a network of the UE.17.The method of claim 10, wherein the task specific support set of data and the query set of data are each measured at the UE for one or more tasks comprising: a UE propagation environment, a selected delay spread, a signal to noise ratio (SNR) , a UE mobility speed, the UE operating with line of sight (LOS) , the UE operating without line of sight (NLOS) , the UE operating indoors, the UE operating outdoors, the UE operating in an urban environment, the UE operating in a suburban environment, the UE operating in a rural environment, the UE operating in a vehicle, or the UE operating a selected distance from a base station.18.A baseband processor configured to cause a user equipment (UE) to perform any of the methods of claims 2 to 9.19.An apparatus configured to cause a user equipment (UE) , having one or more processors coupled to a memory, to perform any of the methods of claims 2 to 9.20.A computer program product, comprising computer instructions which, when executed by one or more processors, perform any of the operations  described herein.

Images