Design guidelines and generalization guarantees for ML CSF compression

Abstract

The device may be a device associated with a UE and configured to receive information regarding a reference encoder or a reference decoder, wherein the reference encoder or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods, perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI.

Description

DESIGN GUIDELINES AND GENERALIZATION GUARANTEES FOR ML CSF COMPRESSIONTECHNICAL FIELD

[0001] The present disclosure relates generally to communication systems, and more particularly, to communicating channel state information (CSI) for wireless communication.

[0002] INTRODUCTION

[0003] Wireless communication systems are widely deployed to provide various telecommunication services such as telephony, video, data, messaging, and broadcasts. Typical wireless communication systems may employ multiple-access technologies capable of supporting communication with multiple users by sharing available system resources. Examples of such multiple-access technologies include code division multiple access (CDMA) systems, time division multiple access (TDMA) systems, frequency division multiple access (FDMA) systems, orthogonal frequency division multiple access (OFDMA) systems, single-carrier frequency division multiple access (SC-FDMA) systems, and time division synchronous code division multiple access (TD-SCDMA) systems.

[0004] These multiple access technologies have been adopted in various telecommunication standards to provide a common protocol that enables different wireless devices to communicate on a municipal, national, regional, and even global level. An example telecommunication standard is 5G New Radio (NR) . 5G NR is part of a continuous mobile broadband evolution promulgated by Third Generation Partnership Project (3GPP) to meet new requirements associated with latency, reliability, security, scalability (e.g., with Internet of Things (IoT) ) , and other requirements. 5G NR includes services associated with enhanced mobile broadband (eMBB) , massive machine type communications (mMTC) , and ultra-reliable low latency communications (URLLC) . Some aspects of 5G NR may be based on the 4G Long Term Evolution (LTE) standard. There exists a need for further improvements in 5G NR technology. These improvements may also be applicable to other multi-access technologies and the telecommunication standards that employ these technologies.

[0005] BRIEF SUMMARY

[0006] The following presents a simplified summary of one or more aspects in order to provide a basic understanding of such aspects. This summary is not an extensive overview of all contemplated aspects. This summary neither identifies key or critical elements of all aspects nor delineates the scope of any or all aspects. Its sole purpose is to present some concepts of one or more aspects in a simplified form as a prelude to the more detailed description that is presented later.

[0007] In an aspect of the disclosure, a method, a computer-readable medium, and an apparatus are provided. The apparatus may be a device associated with a user equipment (UE) that may be configured to receive information regarding a reference encoder or a reference decoder, where the reference encoder or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods, perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI.

[0008] To the accomplishment of the foregoing and related ends, the one or more aspects may include the features hereinafter fully described and particularly pointed out in the claims. The following description and the drawings set forth in detail certain illustrative features of the one or more aspects. These features are indicative, however, of but a few of the various ways in which the principles of various aspects may be employed.BRIEF DESCRIPTION OF THE DRAWINGS

[0009] FIG. 1 is a diagram illustrating an example of a wireless communications system and an access network.

[0010] FIG. 2A is a diagram illustrating an example of a first frame, in accordance with various aspects of the present disclosure.

[0011] FIG. 2B is a diagram illustrating an example of downlink (DL) channels within a subframe, in accordance with various aspects of the present disclosure.

[0012] FIG. 2C is a diagram illustrating an example of a second frame, in accordance with various aspects of the present disclosure.

[0013] FIG. 2D is a diagram illustrating an example of uplink (UL) channels within a subframe, in accordance with various aspects of the present disclosure.

[0014] FIG. 3 is a diagram illustrating an example of a base station and user equipment (UE) in an access network.

[0015] FIG. 4 illustrates a diagram showing an example of compression and reconstruction of CSI feedback based on artificial intelligence (AI) and / or machine learning (ML) (AI / ML) based models.

[0016] FIG. 5 is a diagram illustrating a training architecture for encoder and / or decoder models in accordance with some aspects of the disclosure.

[0017] FIG. 6 is an example of the AI / ML algorithm for CSI feedback in wireless communication and illustrates various aspects model training, model inference, model feedback, and model update.

[0018] FIG. 7A is a diagram illustrating a first multi-layer perceptron (MLP) architecture with a first sub-band processing layer based on a convolution in accordance with some aspects of the disclosure.

[0019] FIG. 7B is a diagram illustrating a second MLP architecture with a first sub-band processing layer based on a residual network (ResNet) in accordance with some aspects of the disclosure.

[0020] FIG. 8 is a call flow diagram illustrating a method of wireless communication in accordance with some aspects of the disclosure.

[0021] FIG. 9 is a flowchart of a method of wireless communication.

[0022] FIG. 10 is a flowchart of a method of wireless communication.

[0023] FIG. 11 is a diagram illustrating an example of a hardware implementation for an example apparatus and / or network entity.DETAILED DESCRIPTION

[0024] In some aspects of wireless communication, a UE and a base station may use trained AI / ML models and / or networks to implement one or more functions. For example, in association with CSI a UE may use a neural network (or other machine-trained (MT) or AI / ML network, model, method, algorithm, etc. ) to derive a compressed representation of feedback associated with the CSI to the network (e.g., a base station) . The network (or base station) may receive the compressed representation and use another neural network to reconstruct the target CSI from the compressed representation. One example of the CSI is the precoding matrix that the UE indicates for a base station to use based on the observed channel. For the reconstruction to be  accurate, the UE-side and network (NW) side AI / ML models may be trained in a collaborative manner so that the compressed representation created by the UE-side model is interpreted and decoded correctly by the NW-side model. If the compressed representation generated by the UE-side model is interpreted and decoded correctly by the NW-side model, then the pair of models may be said to be compatible to, and / or with, each other.

[0025] As part of the collaborative training, in some aspects, of the UE-side and NW-side AI / ML models (e.g., CSI generation and CSI reconstruction models, respectively) there may be sharing of a reference-model or a trained (e.g., actual) encoder-model in different directions (e.g., one or more fully standardized reference models and parameters may be shared and / or specified for the CSI generation and / or the CSI reconstruction) . However, there may be issues arising from a mismatch between the NW side data distribution and the UE side inference data distribution (or between data formats and / or assumptions about the pre-processing of the raw channel data / matrix) . For example, there may be a mismatch in single value decomposition (SVD) implementations based on a phase ambiguity associated with SVD, where multiple valid SVD decompositions may be possible with different phase rotations and different vendors may have different SVD implementations (or different channel data pre-processing more generally) .

[0026] In some aspects, if phase normalization is not implemented, the phase of a first entry in the singular vector may change over the sub-bands. furthermore, the correlation of the phases over the sub-bands may depend on the phase of the first entry (e.g., an arbitrary phase associated with the first entry and / or sub-band) and the encoder / decoder model (or AI / ML network) may learn the particular correlation when compressing the CSI (e.g., the pre-coding matrix) over the sub-bands. Similarly, if normalization is performed differently before providing the normalized data (e.g., normalized phase and / or SVD data) , there may be normalization-specific correlations and or relationships reflected in the encoder / decoder model (or AI / ML network) that may not be compatible with other methods of normalization (or SVD methods) . Accordingly, an encoder design with identical processing over the sub-bands may not be able to generalize and accommodate an arbitrary phase change associated with different methods for normalization or different SVD methods. In some aspects, this issue may be addressed by adding a sub-band processing layer (e.g., a convolution  layer such as a “Conv1d layer” ) to an encoder model (e.g., AI / ML network) to account for different normalization.

[0027] Various aspects relate generally to ensuring the compatibility of an encoder and / or decoder provided to a UE with a range of normalizations and / or SVD methods that may be implemented at the UE and / or at different UEs. Some aspects more specifically relate to imposing restrictions on the encoder and / or decoder provided to a UE to ensure the compatibility with the range of normalizations and / or SVD methods that may be implemented at the UE and / or at the different UEs. In some examples, a device associated with a UE that may be configured to receive information regarding a reference encoder and / or a reference decoder, where the reference encoder and / or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods, perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI.

[0028] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by imposing restrictions on the encoder and / or decoder provided to a UE to ensure the compatibility with the range of normalizations and / or SVD methods, the described techniques can be used to provide good generalization performance of AI / ML channel state feedback (CSF) for different CSI, or channel measurement, pre-processing implementation (e.g., by different UE vendors) .

[0029] The detailed description set forth below in connection with the drawings describes various configurations and does not represent the only configurations in which the concepts described herein may be practiced. The detailed description includes specific details for the purpose of providing a thorough understanding of various concepts. However, these concepts may be practiced without these specific details. In some instances, well known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0030] Several aspects of telecommunication systems are presented with reference to various apparatus and methods. These apparatus and methods are described in the following detailed description and illustrated in the accompanying drawings by various blocks, components, circuits, processes, algorithms, etc. (collectively referred to as “elements” ) . These elements may be implemented using electronic hardware,  computer software, or any combination thereof. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0031] By way of example, an element, or any portion of an element, or any combination of elements may be implemented as a “processing system” that includes one or more processors. When multiple processors are implemented, the multiple processors may perform the functions individually or in combination. Examples of processors include microprocessors, microcontrollers, graphics processing units (GPUs) , central processing units (CPUs) , application processors, digital signal processors (DSPs) , reduced instruction set computing (RISC) processors, systems on a chip (SoC) , baseband processors, field programmable gate arrays (FPGAs) , programmable logic devices (PLDs) , state machines, gated logic, discrete hardware circuits, and other suitable hardware configured to perform the various functionality described throughout this disclosure. One or more processors in the processing system may execute software. Software, whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise, shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software components, applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, or any combination thereof.

[0032] Accordingly, in one or more example aspects, implementations, and / or use cases, the functions described may be implemented in hardware, software, or any combination thereof. If implemented in software, the functions may be stored on or encoded as one or more instructions or code on a computer-readable medium. Computer-readable media includes computer storage media. Storage media may be any available media that can be accessed by a computer. By way of example, such computer-readable media can include a random-access memory (RAM) , a read-only memory (ROM) , an electrically erasable programmable ROM (EEPROM) , optical disk storage, magnetic disk storage, other magnetic storage devices, combinations of the types of computer-readable media, or any other medium that can be used to store computer executable code in the form of instructions or data structures that can be accessed by a computer.

[0033] While aspects, implementations, and / or use cases are described in this application by illustration to some examples, additional or different aspects, implementations and / or  use cases may come about in many different arrangements and scenarios. Aspects, implementations, and / or use cases described herein may be implemented across many differing platform types, devices, systems, shapes, sizes, and packaging arrangements. For example, aspects, implementations, and / or use cases may come about via integrated chip implementations and other non-module-component based devices (e.g., end-user devices, vehicles, communication devices, computing devices, industrial equipment, retail / purchasing devices, medical devices, artificial intelligence (AI) -enabled devices, etc. ) . While some examples may or may not be specifically directed to use cases or applications, a wide assortment of applicability of described examples may occur. Aspects, implementations, and / or use cases may range a spectrum from chip-level or modular components to non-modular, non-chip-level implementations and further to aggregate, distributed, or original equipment manufacturer (OEM) devices or systems incorporating one or more techniques herein. In some practical settings, devices incorporating described aspects and features may also include additional components and features for implementation and practice of claimed and described aspect. For example, transmission and reception of wireless signals necessarily includes a number of components for analog and digital purposes (e.g., hardware components including antenna, RF-chains, power amplifiers, modulators, buffer, processor (s) , interleaver, adders / summers, etc. ) . Techniques described herein may be practiced in a wide variety of devices, chip-level components, systems, distributed arrangements, aggregated or disaggregated components, end-user devices, etc. of varying sizes, shapes, and constitution.

[0034] Deployment of communication systems, such as 5G NR systems, may be arranged in multiple manners with various components or constituent parts. In a 5G NR system, or network, a network node, a network entity, a mobility element of a network, a radio access network (RAN) node, a core network node, a network element, or a network equipment, such as a base station (BS) , or one or more units (or one or more components) performing base station functionality, may be implemented in an aggregated or disaggregated architecture. For example, a BS (such as a Node B (NB) , evolved NB (eNB) , NR BS, 5G NB, access point (AP) , a transmission reception point (TRP) , or a cell, etc. ) may be implemented as an aggregated base station (also known as a standalone BS or a monolithic BS) or a disaggregated base station.

[0035] An aggregated base station may be configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node. A disaggregated base station may be configured to utilize a protocol stack that is physically or logically distributed among two or more units (such as one or more central or centralized units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) . In some aspects, a CU may be implemented within a RAN node, and one or more DUs may be co-located with the CU, or alternatively, may be geographically or virtually distributed throughout one or multiple other RAN nodes. The DUs may be implemented to communicate with one or more RUs. Each of the CU, DU and RU can be implemented as virtual units, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0036] Base station operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilized in an integrated access backhaul (IAB) network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN Alliance) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) . Disaggregation may include distributing functionality across two or more units at various physical locations, as well as distributing functionality for at least one unit virtually, which can enable flexibility in network design. The various units of the disaggregated base station, or disaggregated RAN architecture, can be configured for wired or wireless communication with at least one other unit.

[0037] FIG. 1 is a diagram 100 illustrating an example of a wireless communications system and an access network. The illustrated wireless communications system includes a disaggregated base station architecture. The disaggregated base station architecture may include one or more CUs 110 that can communicate directly with a core network 120 via a backhaul link, or indirectly with the core network 120 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 125 via an E2 link, or a Non-Real Time (Non-RT) RIC 115 associated with a Service Management and Orchestration (SMO) Framework 105, or both) . A CU 110 may communicate with one or more DUs 130 via respective midhaul links, such as an F1 interface. The DUs 130 may communicate with one or more RUs 140 via respective fronthaul links. The RUs 140 may communicate with  respective UEs 104 via one or more radio frequency (RF) access links. In some implementations, the UE 104 may be simultaneously served by multiple RUs 140.

[0038] Each of the units, i.e., the CUs 110, the DUs 130, the RUs 140, as well as the Near-RT RICs 125, the Non-RT RICs 115, and the SMO Framework 105, may include one or more interfaces or be coupled to one or more interfaces configured to receive or to transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communication interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, the units can include a wired interface configured to receive or to transmit signals over a wired transmission medium to one or more of the other units. Additionally, the units can include a wireless interface, which may include a receiver, a transmitter, or a transceiver (such as an RF transceiver) , configured to receive or to transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0039] In some aspects, the CU 110 may host one or more higher layer control functions. Such control functions can include radio resource control (RRC) , packet data convergence protocol (PDCP) , service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 110. The CU 110 may be configured to handle user plane functionality (i.e., Central Unit –User Plane (CU-UP) ) , control plane functionality (i.e., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 110 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as an E1 interface when implemented in an O-RAN configuration. The CU 110 can be implemented to communicate with the DU 130, as necessary, for network control and signaling.

[0040] The DU 130 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 140. In some aspects, the DU 130 may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and one or more high physical (PHY) layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation,  demodulation, or the like) depending, at least in part, on a functional split, such as those defined by 3GPP. In some aspects, the DU 130 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 130, or with the control functions hosted by the CU 110.

[0041] Lower-layer functionality can be implemented by one or more RUs 140. In some deployments, an RU 140, controlled by a DU 130, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 140 can be implemented to handle over the air (OTA) communication with one or more UEs 104. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 140 can be controlled by the corresponding DU 130. In some scenarios, this configuration can enable the DU (s) 130 and the CU 110 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0042] The SMO Framework 105 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 105 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements that may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 105 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 190) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O2 interface) . Such virtualized network elements can include, but are not limited to, CUs 110, DUs 130, RUs 140 and Near-RT RICs 125. In some implementations, the SMO Framework 105 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 111, via an O1 interface. Additionally, in some implementations, the SMO Framework 105 can communicate directly with one or more RUs 140 via an O1 interface. The SMO Framework 105 also may include a Non-RT RIC 115 configured to support functionality of the SMO Framework 105.

[0043] The Non-RT RIC 115 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, artificial intelligence (AI)  / machine learning (ML) (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 125. The Non-RT RIC 115 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 125. The Near-RT RIC 125 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E2 interface) connecting one or more CUs 110, one or more DUs 130, or both, as well as an O-eNB, with the Near-RT RIC 125.

[0044] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 125, the Non-RT RIC 115 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 125 and may be received at the SMO Framework 105 or the Non-RT RIC 115 from non-network data sources or from network functions. In some examples, the Non-RT RIC 115 or the Near-RT RIC 125 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 115 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 105 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0045] At least one of the CU 110, the DU 130, and the RU 140 may be referred to as a base station 102. Accordingly, a base station 102 may include one or more of the CU 110, the DU 130, and the RU 140 (each component indicated with dotted lines to signify that each component may or may not be included in the base station 102) . The base station 102 provides an access point to the core network 120 for a UE 104. The base station 102 may include macrocells (high power cellular base station) and / or small cells (low power cellular base station) . The small cells include femtocells, picocells, and microcells. A network that includes both small cell and macrocells may be known as a heterogeneous network. A heterogeneous network may also include Home Evolved Node Bs (eNBs) (HeNBs) , which may provide service to a restricted group known as a closed subscriber group (CSG) . The communication links between the RUs 140 and the UEs 104 may include uplink (UL) (also referred to as reverse link) transmissions from a UE 104 to an RU 140 and / or downlink (DL) (also referred to as  forward link) transmissions from an RU 140 to a UE 104. The communication links may use multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. The communication links may be through one or more carriers. The base station 102  / UEs 104 may use spectrum up to Y MHz (e.g., 5, 10, 15, 20, 100, 400, etc. MHz) bandwidth per carrier allocated in a carrier aggregation of up to a total of Yx MHz (x component carriers) used for transmission in each direction. The carriers may or may not be adjacent to each other. Allocation of carriers may be asymmetric with respect to DL and UL (e.g., more or fewer carriers may be allocated for DL than for UL) . The component carriers may include a primary component carrier and one or more secondary component carriers. A primary component carrier may be referred to as a primary cell (PCell) and a secondary component carrier may be referred to as a secondary cell (SCell) .

[0046] Certain UEs 104 may communicate with each other using device-to-device (D2D) communication link 158. The D2D communication link 158 may use the DL / UL wireless wide area network (WWAN) spectrum. The D2D communication link 158 may use one or more sidelink channels, such as a physical sidelink broadcast channel (PSBCH) , a physical sidelink discovery channel (PSDCH) , a physical sidelink shared channel (PSSCH) , and a physical sidelink control channel (PSCCH) . D2D communication may be through a variety of wireless D2D communications systems, such as for example, BluetoothTM (Bluetooth is a trademark of the Bluetooth Special Interest Group (SIG) ) , Wi-FiTM (Wi-Fi is a trademark of the Wi-Fi Alliance) based on the Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard, LTE, or NR.

[0047] The wireless communications system may further include a Wi-Fi AP 150 in communication with UEs 104 (also referred to as Wi-Fi stations (STAs) ) via communication link 154, e.g., in a 5 GHz unlicensed frequency spectrum or the like. When communicating in an unlicensed frequency spectrum, the UEs 104  / AP 150 may perform a clear channel assessment (CCA) prior to communicating in order to determine whether the channel is available.

[0048] The electromagnetic spectrum is often subdivided, based on frequency / wavelength, into various classes, bands, channels, etc. In 5G NR, two initial operating bands have been identified as frequency range designations FR1 (410 MHz –7.125 GHz) and FR2 (24.25 GHz –52.6 GHz) . Although a portion of FR1 is greater than 6 GHz, FR1  is often referred to (interchangeably) as a “sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referred to (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz –300 GHz) which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band.

[0049] The frequencies between FR1 and FR2 are often referred to as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz –24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics and / or FR2 characteristics, and thus may effectively extend features of FR1 and / or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR2-2 (52.6 GHz –71 GHz) , FR4 (71 GHz –114.25 GHz) , and FR5 (114.25 GHz –300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0050] With the above aspects in mind, unless specifically stated otherwise, the term “sub-6 GHz” or the like if used herein may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR2-2, and / or FR5, or may be within the EHF band.

[0051] The base station 102 and the UE 104 may each include a plurality of antennas, such as antenna elements, antenna panels, and / or antenna arrays to facilitate beamforming. The base station 102 may transmit a beamformed signal 182 to the UE 104 in one or more transmit directions. The UE 104 may receive the beamformed signal from the base station 102 in one or more receive directions. The UE 104 may also transmit a beamformed signal 184 to the base station 102 in one or more transmit directions. The base station 102 may receive the beamformed signal from the UE 104 in one or more receive directions. The base station 102  / UE 104 may perform beam training to determine the best receive and transmit directions for each of the base station 102  / UE 104. The transmit and receive directions for the base station 102 may or may not  be the same. The transmit and receive directions for the UE 104 may or may not be the same.

[0052] The base station 102 may include and / or be referred to as a gNB, Node B, eNB, an access point, a base transceiver station, a radio base station, a radio transceiver, a transceiver function, a basic service set (BSS) , an extended service set (ESS) , a TRP, network node, network entity, network equipment, or some other suitable terminology. The base station 102 can be implemented as an integrated access and backhaul (IAB) node, a relay node, a sidelink node, an aggregated (monolithic) base station with a baseband unit (BBU) (including a CU and a DU) and an RU, or as a disaggregated base station including one or more of a CU, a DU, and / or an RU. The set of base stations, which may include disaggregated base stations and / or aggregated base stations, may be referred to as next generation (NG) RAN (NG-RAN) .

[0053] The core network 120 may include an Access and Mobility Management Function (AMF) 161, a Session Management Function (SMF) 162, a User Plane Function (UPF) 163, a Unified Data Management (UDM) 164, one or more location servers 168, and other functional entities. The AMF 161 is the control node that processes the signaling between the UEs 104 and the core network 120. The AMF 161 supports registration management, connection management, mobility management, and other functions. The SMF 162 supports session management and other functions. The UPF 163 supports packet routing, packet forwarding, and other functions. The UDM 164 supports the generation of authentication and key agreement (AKA) credentials, user identification handling, access authorization, and subscription management. The one or more location servers 168 are illustrated as including a Gateway Mobile Location Center (GMLC) 165 and a Location Management Function (LMF) 166. However, generally, the one or more location servers 168 may include one or more location / positioning servers, which may include one or more of the GMLC 165, the LMF 166, a position determination entity (PDE) , a serving mobile location center (SMLC) , a mobile positioning center (MPC) , or the like. The GMLC 165 and the LMF 166 support UE location services. The GMLC 165 provides an interface for clients / applications (e.g., emergency services) for accessing UE positioning information. The LMF 166 receives measurements and assistance information from the NG-RAN and the UE 104 via the AMF 161 to compute the position of the UE 104. The NG-RAN may utilize one or more positioning methods in order to determine  the position of the UE 104. Positioning the UE 104 may involve signal measurements, a position estimate, and an optional velocity computation based on the measurements. The signal measurements may be made by the UE 104 and / or the base station 102 serving the UE 104. The signals measured may be based on one or more of a satellite positioning system (SPS) 170 (e.g., one or more of a Global Navigation Satellite System (GNSS) , global position system (GPS) , non-terrestrial network (NTN) , or other satellite position / location system) , LTE signals, wireless local area network (WLAN) signals, Bluetooth signals, a terrestrial beacon system (TBS) , sensor-based information (e.g., barometric pressure sensor, motion sensor) , NR enhanced cell ID (NR E-CID) methods, NR signals (e.g., multi-round trip time (Multi-RTT) , DL angle-of-departure (DL-AoD) , DL time difference of arrival (DL-TDOA) , UL time difference of arrival (UL-TDOA) , and UL angle-of-arrival (UL-AoA) positioning) , and / or other systems / signals / sensors.

[0054] Examples of UEs 104 include a cellular phone, a smart phone, a session initiation protocol (SIP) phone, a laptop, a personal digital assistant (PDA) , a satellite radio, a global positioning system, a multimedia device, a video device, a digital audio player (e.g., MP3 player) , a camera, a game console, a tablet, a smart device, a wearable device, a vehicle, an electric meter, a gas pump, a large or small kitchen appliance, a healthcare device, an implant, a sensor / actuator, a display, or any other similar functioning device. Some of the UEs 104 may be referred to as IoT devices (e.g., parking meter, gas pump, toaster, vehicles, heart monitor, etc. ) . The UE 104 may also be referred to as a station, a mobile station, a subscriber station, a mobile unit, a subscriber unit, a wireless unit, a remote unit, a mobile device, a wireless device, a wireless communications device, a remote device, a mobile subscriber station, an access terminal, a mobile terminal, a wireless terminal, a remote terminal, a handset, a user agent, a mobile client, a client, or some other suitable terminology. In some scenarios, the term UE may also apply to one or more companion devices such as in a device constellation arrangement. One or more of these devices may collectively access the network and / or individually access the network.

[0055] Referring again to FIG. 1, in certain aspects, the UE 104 (or other device associated with the UE 104) may have a CSI compression component 198 that may be configured to receive information regarding a reference encoder or a reference decoder, where the reference encoder or the reference decoder is associated with CSI compression  and is associated with a training dataset based on one or more pre-processing methods, perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI. Although the following description may be focused on 5G NR, the concepts described herein may be applicable to other similar areas, such as LTE, LTE-A, CDMA, GSM, and other wireless technologies.

[0056] FIG. 2A is a diagram 200 illustrating an example of a first subframe within a 5G NR frame structure. FIG. 2B is a diagram 230 illustrating an example of DL channels within a 5G NR subframe. FIG. 2C is a diagram 250 illustrating an example of a second subframe within a 5G NR frame structure. FIG. 2D is a diagram 280 illustrating an example of UL channels within a 5G NR subframe. The 5G NR frame structure may be frequency division duplexed (FDD) in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for either DL or UL, or may be time division duplexed (TDD) in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for both DL and UL. In the examples provided by FIGs. 2A, 2C, the 5G NR frame structure is assumed to be TDD, with subframe 4 being configured with slot format 28 (with mostly DL) , where D is DL, U is UL, and F is flexible for use between DL / UL, and subframe 3 being configured with slot format 1 (with all UL) . While subframes 3, 4 are shown with slot formats 1, 28, respectively, any particular subframe may be configured with any of the various available slot formats 0-61. Slot formats 0, 1 are all DL, UL, respectively. Other slot formats 2-61 include a mix of DL, UL, and flexible symbols. UEs are configured with the slot format (dynamically through DL control information (DCI) , or semi-statically / statically through radio resource control (RRC) signaling) through a received slot format indicator (SFI) . Note that the description infra applies also to a 5G NR frame structure that is TDD.

[0057] FIGs. 2A-2D illustrate a frame structure, and the aspects of the present disclosure may be applicable to other wireless communication technologies, which may have a different frame structure and / or different channels. A frame (10 ms) may be divided into 10 equally sized subframes (1 ms) . Each subframe may include one or more time slots. Subframes may also include mini-slots, which may include 7, 4, or 2 symbols. Each slot may include 14 or 12 symbols, depending on whether the cyclic prefix (CP)  is normal or extended. For normal CP, each slot may include 14 symbols, and for extended CP, each slot may include 12 symbols. The symbols on DL may be CP orthogonal frequency division multiplexing (OFDM) (CP-OFDM) symbols. The symbols on UL may be CP-OFDM symbols (for high throughput scenarios) or discrete Fourier transform (DFT) spread OFDM (DFT-s-OFDM) symbols (for power limited scenarios; limited to a single stream transmission) . The number of slots within a subframe is based on the CP and the numerology. The numerology defines the subcarrier spacing (SCS) (see Table 1) . The symbol length / duration may scale with 1 / SCS.

[0058] Table 1: Numerology, SCS, and CP

[0059] For normal CP (14 symbols / slot) , different numerologies μ 0 to 4 allow for 1, 2, 4, 8, and 16 slots, respectively, per subframe. For extended CP, the numerology 2 allows for 4 slots per subframe. Accordingly, for normal CP and numerology μ, there are 14 symbols / slot and 2μ slots / subframe. The subcarrier spacing may be equal to 2μ*15 kHz, where μ is the numerology 0 to 4. As such, the numerology μ=0 has a subcarrier spacing of 15 kHz and the numerology μ=4 has a subcarrier spacing of 240 kHz. The symbol length / duration is inversely related to the subcarrier spacing. FIGs. 2A-2D provide an example of normal CP with 14 symbols per slot and numerology μ=2 with 4 slots per subframe. The slot duration is 0.25 ms, the subcarrier spacing is 60 kHz, and the symbol duration is approximately 16.67 μs. Within a set of frames, there may be one or more different bandwidth parts (BWPs) (see FIG. 2B) that are frequency division multiplexed. Each BWP may have a particular numerology and CP (normal or extended) .

[0060] A resource grid may be used to represent the frame structure. Each time slot includes a resource block (RB) (also referred to as physical RBs (PRBs) ) that extends 12 consecutive subcarriers. The resource grid is divided into multiple resource elements (REs) . The number of bits carried by each RE depends on the modulation scheme.

[0061] As illustrated in FIG. 2A, some of the REs carry reference (pilot) signals (RS) for the UE.The RS may include demodulation RS (DM-RS) (indicated as R for one particular configuration, but other DM-RS configurations are possible) and channel state information reference signals (CSI-RS) for channel estimation at the UE. The RS may also include beam measurement RS (BRS) , beam refinement RS (BRRS) , and phase tracking RS (PT-RS) .

[0062] FIG. 2B illustrates an example of various DL channels within a subframe of a frame. The physical downlink control channel (PDCCH) carries DCI within one or more control channel elements (CCEs) (e.g., 1, 2, 4, 8, or 16 CCEs) , each CCE including six RE groups (REGs) , each REG including 12 consecutive REs in an OFDM symbol of an RB. A PDCCH within one BWP may be referred to as a control resource set (CORESET) . A UE is configured to monitor PDCCH candidates in a PDCCH search space (e.g., common search space, UE-specific search space) during PDCCH monitoring occasions on the CORESET, where the PDCCH candidates have different DCI formats and different aggregation levels. Additional BWPs may be located at greater and / or lower frequencies across the channel bandwidth. A primary synchronization signal (PSS) may be within symbol 2 of particular subframes of a frame. The PSS is used by a UE 104 to determine subframe / symbol timing and a physical layer identity. A secondary synchronization signal (SSS) may be within symbol 4 of particular subframes of a frame. The SSS is used by a UE to determine a physical layer cell identity group number and radio frame timing. Based on the physical layer identity and the physical layer cell identity group number, the UE can determine a physical cell identifier (PCI) . Based on the PCI, the UE can determine the locations of the DM-RS. The physical broadcast channel (PBCH) , which carries a master information block (MIB) , may be logically grouped with the PSS and SSS to form a synchronization signal (SS)  / PBCH block (also referred to as SS block (SSB) ) . The MIB provides a number of RBs in the system bandwidth and a system frame number (SFN) . The physical downlink shared channel (PDSCH) carries user  data, broadcast system information not transmitted through the PBCH such as system information blocks (SIBs) , and paging messages.

[0063] As illustrated in FIG. 2C, some of the REs carry DM-RS (indicated as R for one particular configuration, but other DM-RS configurations are possible) for channel estimation at the base station. The UE may transmit DM-RS for the physical uplink control channel (PUCCH) and DM-RS for the physical uplink shared channel (PUSCH) . The PUSCH DM-RS may be transmitted in the first one or two symbols of the PUSCH. The PUCCH DM-RS may be transmitted in different configurations depending on whether short or long PUCCHs are transmitted and depending on the particular PUCCH format used. The UE may transmit sounding reference signals (SRS) . The SRS may be transmitted in the last symbol of a subframe. The SRS may have a comb structure, and a UE may transmit SRS on one of the combs. The SRS may be used by a base station for channel quality estimation to enable frequency-dependent scheduling on the UL.

[0064] FIG. 2D illustrates an example of various UL channels within a subframe of a frame. The PUCCH may be located as indicated in one configuration. The PUCCH carries uplink control information (UCI) , such as scheduling requests, a channel quality indicator (CQI) , a precoding matrix indicator (PMI) , a rank indicator (RI) , and hybrid automatic repeat request (HARQ) acknowledgment (ACK) (HARQ-ACK) feedback (i.e., one or more HARQ ACK bits indicating one or more ACK and / or negative ACK (NACK) ) . The PUSCH carries data, and may additionally be used to carry a buffer status report (BSR) , a power headroom report (PHR) , and / or UCI.

[0065] FIG. 3 is a block diagram of a base station 310 in communication with a UE 350 in an access network. In the DL, Internet protocol (IP) packets may be provided to a controller / processor 375. The controller / processor 375 implements layer 3 and layer 2 functionality. Layer 3 includes a radio resource control (RRC) layer, and layer 2 includes a service data adaptation protocol (SDAP) layer, a packet data convergence protocol (PDCP) layer, a radio link control (RLC) layer, and a medium access control (MAC) layer. The controller / processor 375 provides RRC layer functionality associated with broadcasting of system information (e.g., MIB, SIBs) , RRC connection control (e.g., RRC connection paging, RRC connection establishment, RRC connection modification, and RRC connection release) , inter radio access technology (RAT) mobility, and measurement configuration for UE measurement  reporting; PDCP layer functionality associated with header compression  / decompression, security (ciphering, deciphering, integrity protection, integrity verification) , and handover support functions; RLC layer functionality associated with the transfer of upper layer packet data units (PDUs) , error correction through ARQ, concatenation, segmentation, and reassembly of RLC service data units (SDUs) , re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto transport blocks (TBs) , demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through HARQ, priority handling, and logical channel prioritization.

[0066] The transmit (TX) processor 316 and the receive (RX) processor 370 implement layer 1 functionality associated with various signal processing functions. Layer 1, which includes a physical (PHY) layer, may include error detection on the transport channels, forward error correction (FEC) coding / decoding of the transport channels, interleaving, rate matching, mapping onto physical channels, modulation / demodulation of physical channels, and MIMO antenna processing. The TX processor 316 handles mapping to signal constellations based on various modulation schemes (e.g., binary phase-shift keying (BPSK) , quadrature phase-shift keying (QPSK) , M-phase-shift keying (M-PSK) , M-quadrature amplitude modulation (M-QAM) ) . The coded and modulated symbols may then be split into parallel streams. Each stream may then be mapped to an OFDM subcarrier, multiplexed with a reference signal (e.g., pilot) in the time and / or frequency domain, and then combined together using an Inverse Fast Fourier Transform (IFFT) to produce a physical channel carrying a time domain OFDM symbol stream. The OFDM stream is spatially precoded to produce multiple spatial streams. Channel estimates from a channel estimator 374 may be used to determine the coding and modulation scheme, as well as for spatial processing. The channel estimate may be derived from a reference signal and / or channel condition feedback transmitted by the UE 350. Each spatial stream may then be provided to a different antenna 320 via a separate transmitter 318Tx. Each transmitter 318Tx may modulate a radio frequency (RF) carrier with a respective spatial stream for transmission.

[0067] At the UE 350, each receiver 354Rx receives a signal through its respective antenna 352. Each receiver 354Rx recovers information modulated onto an RF carrier and  provides the information to the receive (RX) processor 356. The TX processor 368 and the RX processor 356 implement layer 1 functionality associated with various signal processing functions. The RX processor 356 may perform spatial processing on the information to recover any spatial streams destined for the UE 350. If multiple spatial streams are destined for the UE 350, they may be combined by the RX processor 356 into a single OFDM symbol stream. The RX processor 356 then converts the OFDM symbol stream from the time-domain to the frequency domain using a Fast Fourier Transform (FFT) . The frequency domain signal includes a separate OFDM symbol stream for each subcarrier of the OFDM signal. The symbols on each subcarrier, and the reference signal, are recovered and demodulated by determining the most likely signal constellation points transmitted by the base station 310. These soft decisions may be based on channel estimates computed by the channel estimator 358. The soft decisions are then decoded and deinterleaved to recover the data and control signals that were originally transmitted by the base station 310 on the physical channel. The data and control signals are then provided to the controller / processor 359, which implements layer 3 and layer 2 functionality.

[0068] The controller / processor 359 can be associated with at least one memory 360 that stores program codes and data. The at least one memory 360 may be referred to as a computer-readable medium. In the UL, the controller / processor 359 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, and control signal processing to recover IP packets. The controller / processor 359 is also responsible for error detection using an ACK and / or NACK protocol to support HARQ operations.

[0069] Similar to the functionality described in connection with the DL transmission by the base station 310, the controller / processor 359 provides RRC layer functionality associated with system information (e.g., MIB, SIBs) acquisition, RRC connections, and measurement reporting; PDCP layer functionality associated with header compression  / decompression, and security (ciphering, deciphering, integrity protection, integrity verification) ; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through ARQ, concatenation, segmentation, and reassembly of RLC SDUs, re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto TBs,  demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through HARQ, priority handling, and logical channel prioritization.

[0070] Channel estimates derived by a channel estimator 358 from a reference signal or feedback transmitted by the base station 310 may be used by the TX processor 368 to select the appropriate coding and modulation schemes, and to facilitate spatial processing. The spatial streams generated by the TX processor 368 may be provided to different antennas 352 via separate transmitters 354Tx. Each transmitter 354Tx may modulate an RF carrier with a respective spatial stream for transmission.

[0071] The UL transmission is processed at the base station 310 in a manner similar to that described in connection with the receiver function at the UE 350. Each receiver 318Rx receives a signal through its respective antenna 320. Each receiver 318Rx recovers information modulated onto an RF carrier and provides the information to a RX processor 370.

[0072] The controller / processor 375 can be associated with at least one memory 376 that stores program codes and data. The at least one memory 376 may be referred to as a computer-readable medium. In the UL, the controller / processor 375 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, control signal processing to recover IP packets. The controller / processor 375 is also responsible for error detection using an ACK and / or NACK protocol to support HARQ operations.

[0073] At least one of the TX processor 368, the RX processor 356, and the controller / processor 359 may be configured to perform aspects in connection with the CSI compression component 198 of FIG. 1.

[0074] In some aspects of wireless communication, a UE and a base station may use AI / ML models and / or networks to implement one or more functions. For example, in association with CSI a UE may use a neural network (or other MT or AI / ML network, model, method, algorithm, etc. ) to derive a compressed representation of feedback associated with the CSI to the network (e.g., a base station or gNB) . The network (or base station) may receive the compressed representation and use another neural network to reconstruct the target CSI from the compressed representation. One example of the CSI is the precoding matrix that the UE indicates for a base station to use based on the observed channel. For the reconstruction to be accurate, the UE-side and NW-side AI / ML models may be trained in a collaborative manner so that the  compressed representation created by the UE-side model is interpreted and decoded correctly by the NW-side model. If the compressed representation generated by the UE-side model is interpreted and decoded correctly by the NW-side model, then the pair of models may be said to be compatible to, and / or with, each other.

[0075] For a two-sided model of CSI compression, methods may be introduced to improve a trade-off between performance and complexity / overhead. For example, current methods may be extended to (1) perform spatial / temporal / frequency compression (as opposed to spatial / frequency compression) , (2) include cell / site specific models, and / or (3) use AI / ML-based CSI compression plus prediction, among other extensions. In some aspects, methods may attempt to alleviate and / or resolve issues related to inter-vendor training collaboration, while addressing other aspects. For a one-sided model of CSI prediction, similar and / or additional aspects may be addressed.

[0076] In some aspects, the extension of the current methods may be based on using the precoding matrix as an input (e.g., as opposed to a raw channel matrix) and per-layer processing, with common structure across ranks and layers (for handling rank ≥ 1) . For temporal domain aspects, the models may reuse the model structure of other models associated with non-temporal models, with additional layers or operations associated with either the input and / or output domain or the latent domain. In some aspects, for non-temporal models, a pre-coding matrix may be associated with an Eigen vector in a spatial-frequency domain, and / or an angular, delay domain representation (e.g., eType-II W2) . In association with temporal models a pre-coding matrix may be associated with a spatial-frequency domain for each CSI observation instance, and / or angular, delay, and Doppler domain representation (e.g., eType-II W2) . Some aspects may address scalability approaches over numbers of Tx ports, CSI feedback payload sizes, and bandwidths.

[0077] To alleviate and / or resolve the issues related to inter-vendor training collaboration of AI / ML-based CSI compression using two-sided model, methods may be presented base on (1) a fully standardized reference model (e.g., a model associated with a specified structure and parameters) , (2) a standardized dataset for training, (3) a standardized reference model structure and a parameter exchange between the NW-side and the UE-side, (4) a standardized data and / or dataset format and a dataset exchange between the NW-side and the UE-side, (5) a standardized model format and  a reference model exchange between NW-side and UE-side. In some aspects, the above options may not be mutually exclusive and may be used together. Additionally, other options are not precluded. In some aspects, different methods of exchanging the parameters, the dataset, and / or the reference model may affect the feasibility and collaboration complexity of options for transmitting one of the parameters, the dataset, or the model, e.g., over the air-interface, via offline delivery, etc., where a “dataset” may refer to a set of data samples of CSI feedback and associated target CSI.

[0078] In some aspects, the methods may use different options and sub-options for sharing the parameters, the reference model, and / or the dataset that enables UE-side offline engineering (e.g., a first direction or type of data sharing, sometimes referred to as “Direction A” ) . The different options and sub-options may address one or more issues including, one or more of (1) what additional information may be shared from NW-side to UE-side to enable UE-side encoder training, validation, and testing, (2) whether there is a concern for a NW’s proprietary information disclosure (and how to address any proprietary information disclosure concerns) , (3) whether there is an overhead concern (and how to address any overhead concerns) , (4) whether there is a performance impact due to a mismatch between NW side data distribution and UE side data distribution (and how to address any performance impacts) .

[0079] In some aspects, the methods may use different options and sub-options for sharing NW side encoder parameters to (or with) UE side for UE side inference directly with on-device operation (e.g., a second direction or type of data sharing, sometimes referred to as “Direction B” ) . The different options and sub-options may address one or more issues including, one or more of (1) whether there is an overhead concern (and how to address any overhead concerns) , (2) whether it is feasible to use a common encoder across UEs, (3) whether it is feasible for NW-side to train multiple encoders for different UEs, (4) whether there is a performance impact due to a mismatch between NW side data distribution and UE side inference data distribution (and how to address any performance impacts) , (5) whether there is a concern for a NW’s , and / or a UE’s , proprietary information disclosure (and how to address any proprietary information disclosure concerns) .

[0080] The methods, in some aspects, may use different options and sub-options for sharing fully standardized reference model (s) and parameters with a specified CSI generation  part (or module) and / or CSI reconstruction part (or module) (e.g., a third direction or type of data sharing, sometimes referred to as “Direction C” ) . The different options and sub-options may address one or more issues including, one or more of (1) whether to consider a statistical channel model or field data for the training of one or more models (and, if using field data, how to collect and agree on a same dataset) , (2) whether there is a performance impact due to a mismatch between the distribution of the dataset used for the training of the one or more reference models, UE-side (field) data distribution, and / or NW-side (field) data distribution (and how to address any performance impacts) , (3) what additional information should be specified to enable UE-side encoder training, validation, and testing, and NW-side decoder training, validation, and testing.

[0081] In some aspects, a reference encoder may be specified, and the NW-side and / or the UE-side may train a CSI generation part (e.g., a CSI generation model, network, or module) and a CSI reconstruction part (e.g., a CSI reconstruction model, network, or module) separately to be compatible to, or with, the reference encoder. A reference decoder, in some aspects, may be specified, and NW-side and / or UE-side may train their CSI generation part (e.g., a CSI generation model, network, or module) and a CSI reconstruction part (e.g., a CSI reconstruction model, network, or module) separately to be compatible to, or with, the reference decoder. In some aspects, both a reference encoder and a reference decoder may be specified and the NW-side and / or the UE-side may train their CSI generation part (e.g., a CSI generation model, network, or module) and a CSI reconstruction part (e.g., a CSI reconstruction model, network, or module) separately to be compatible to, or with, the reference decoder / encoder.

[0082] While particular issues have been identified for each type of data sharing (or “Direction” ) above, some issues identified in one direction may, or may not, be applicable for other types of data sharing (or “Directions” ) . In some aspects, there may be a consideration of whether there is a data distribution mismatch that may suggest the use of synthetic data and / or field data.

[0083] As described above, in some aspects there may be sharing of a reference-model or a trained (e.g., actual) encoder-model in different directions (e.g., in direction C, one or more fully standardized reference models and parameters may be shared and / or specified for the CSI generation and / or the CSI reconstruction) . However, there may  be issues arising from a mismatch between the NW side data distribution and the UE side inference data distribution. For example, there may be a mismatch in SVD implementations based on a phase ambiguity associated with SVD, where multiple valid SVD decompositions may be possible with different phase rotations and different vendors may have different SVD implementations (or different channel data pre-processing more generally) .

[0084] In some aspects, if phase normalization is not implemented, the phase of a first entry in the singular vector may change over the sub-bands. furthermore, the correlation of the phases over the sub-bands may depend on the phase of the first entry (e.g., an arbitrary phase associated with the first entry and / or sub-band) and the encoder / decoder model (or AI / ML network) may learn the particular correlation when compressing the CSI (e.g., the pre-coding matrix) over the sub-bands. Similarly, if normalization is performed differently before providing the normalized data (e.g., normalized phase and / or SVD data) as input to an encoder, there may be normalization-specific correlations and or relationships reflected in the encoder / decoder model (or AI / ML network) that may not be compatible with other methods of normalization (or SVD methods) . Accordingly, an encoder design with identical processing over the sub-bands may not be able to generalize and accommodate an arbitrary phase change associated with different methods for normalization or different SVD methods. In some aspects, this issue may be addressed by adding a sub-band processing layer (e.g., a convolution layer such as a “Conv1d layer” ) to an encoder model (e.g., AI / ML network) to account for different normalization.

[0085] Various aspects relate generally to ensuring the compatibility of an encoder and / or decoder provided to a UE with a range of normalizations and / or SVD methods that may be implemented at the UE and / or at different UEs. Some aspects more specifically relate to imposing restrictions on the encoder and / or decoder provided to a UE to ensure the compatibility with the range of normalizations and / or SVD methods that may be implemented at the UE and / or at the different UEs. In some examples, a device associated with a UE that may be configured to receive information regarding a reference encoder and / or a reference decoder, where the reference encoder and / or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods,  perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI.

[0086] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by imposing restrictions on the encoder and / or decoder provided to a UE to ensure the compatibility with the range of normalizations and / or SVD methods, the described techniques can be used to provide good generalization performance of AI / ML CSF for different CSI, or channel measurement, pre-processing implementation (e.g., by different UE vendors) .

[0087] FIG. 4 illustrates a diagram 400 showing an example of compression and reconstruction of CSI feedback based on AI / ML based models. With an AI / ML based air interface, two wireless devices (e.g., such as a UE and a base station and / or gNB or a first UE and a second UE) may use trained AI / ML models to implement a function (e.g., CSI compression and reconstruction) .

[0088] For example, the base station 450 may transmit one or more reference signals, which the UE 420 may measure to obtain CSI feedback to provide to the base station 450. For example, the UE may measure a set of reference signals (e.g., CSI-RS) and perform a channel estimation using a channel estimation algorithm and / or method 424 and apply a SVD algorithm or other pre-processing algorithm and / or method 426 to produce the target CSI 428 (or CSF such as a PMI) . The target CSI 428, in some aspects, may be in a format indicated for the CSI compression model 402 such as a matrix including a number of rows and columns based on a first number of sub-bands (nSB) and a second number of ports (nPorts) associated with the channel (e.g., a nSB x nPorts matrix) . In some aspects, the UE 420 may intend to convey the CSI feedback (e.g., the PMI associated with a recommendation for a pre-coding matrix) to the base station 450. The UE 420 may use a CSI compression model 402, e.g., which may include a neural network, AI, and / or ML based model, to derive a compressed representation of the CSI (e.g., target CSI 428) to provide (e.g., as feedback) in a transmission (e.g., of compressed CSI feedback 406) to the base station 450. The CSI compression model 402 may also be referred to by other names, such as a CSI generation model or encoder, among other examples. In some aspects, the compressed CSI feedback 406 may correspond to a complex representation of the CSI that can be transmitted with reduced overhead, for example.

[0089] The base station 450 may use another model (e.g., which may be referred to as a CSI reconstruction model 404, a CSI decompression model, a decoder, etc. ) to reconstruct the target CSI (e.g., to produce reconstructed target CSI 452) from the compressed representation (e.g., compressed CSI feedback 406) received from the UE. In some aspects, the CSI reconstruction model 404 may include a neural network, AI, and / or ML based model.

[0090] One example of an AI / ML model CSI compression operation is the compression of precoder information. In this example, the CSI may include precoding vectors (e.g., the PMI) that the UE 420 recommends to the base station 450, for each frequency sub-band. The CSI compression model 402 and the CSI reconstruction model 404 may be associated AI / ML models that are assumed (or trained) to be compatible with each other. As will be discussed below, in some aspects, the CSI compression model 402 and the CSI reconstruction model 404 may be trained together and / or cooperatively to achieve the compatibility. Both models may be trained AI / ML models, e.g., trained for compression and decompression of CSI feedback as described in further detail below.

[0091] FIG. 5 is a diagram 500 illustrating a training architecture for encoder and / or decoder models in accordance with some aspects of the disclosure. For example, a training architecture for training an encoder and / or decoder model may include two stages and / or steps. A first step 510 (e.g., training step 1) , in some aspects, may include generating a synthetic dataset at 520 and training one or more reference models at 526. In some aspects, the synthetic dataset generation at 520 may be based on one or more channels and / or scenarios 522 and one or more pre-processing implementations 524. The synthetic data may be used, in some aspects, as actual data may not be available.

[0092] The first step 510, in some aspects, may generate a set of reference models 530 including a reference encoder 532 and a reference decoder 534. A second step and / or stage of the training architecture, in some aspects, may include one, or both, of (1) a second step 540 associated with training a UE encoder implementation of the AI / ML model and / or network, and / or (2) a second step 550 associated with training a test equipment (TE) implementation of the AI / ML model and / or network. For example, a second step 540 may include training an encoder (e.g., UE encoder 542) based on the reference decoder 534 and / or based on the reference encoder 532 and, in some  aspects, datasets collected from devices related to the UE (e.g., other UEs provided by a same vendor and / or sharing hardware architectures) . When training the encoder (e.g., UE encoder 542) based on the reference encoder 532, in some aspects, an intermediate reference decoder may be trained based on the reference encoder 532 and the UE encoder 542 may be trained based on the intermediate reference decoder. Training a first model (e.g., an encoder and / or decoder) based on a second model (e.g., a complementary decoder and / or encoder model) , in some aspects, may include training the first model such that input (e.g., datasets collected from related devices, pre-processed raw channel data / matrix, a PMI, and / or other CSI or CSF) is accurately reproduced after processing by the complementary encoder and decoder models (e.g., where one of the encoder and decoder models is being trained and the other of the encoder and decoder is a trained reference model) . In some aspects, the determination that the input (or input data) has been accurately reproduced may be based on one or more key performance indicators (KPIs) . In some aspects, the KPIs may be intermediate KPIs such as square generalized cosine similarity (SGCS) or final KPIs such as a throughput.

[0093] For example, a second step 550 may include (1) training, at 551, a TE decoder (e.g., TE decoder 552) based on the reference encoder 532, or (2) training, at 553, the TE decoder based on the reference decoder 534. In some aspects, training the TE decoder based on the reference decoder 534 may include implementing the reference decoder as received or re-implementing it (e.g., implementing a decoder based on the received decoder after additional training, tuning, and / or quantization) . The TE vendor may, in some aspects, train the TE decoder based on the reference encoder 532 using synthetic data (e.g., the synthetic data generated at 520) . In some aspects, the different options for training the UE encoder 542 and the TE decoder 552 may be selected independently and may be based on the same reference model (e.g., one of the reference encoder 532 or the reference decoder 534) or on different reference models (e.g., the TE decoder 552 may be trained based on the reference decoder 534 while the UE encoder 542 may be trained based on the reference encoder 532 or vice versa) in any of the ways discussed above.

[0094] FIG. 6 is an example of the AI / ML training algorithm 600 for CSI feedback in wireless communication and illustrates various aspects model training, model inference, model feedback, and model update. The AI / ML training algorithm 600 may include various  aspects including a data collection / generation 602, a model training 604, model inference 606, and an actor 608 that receives and uses output based on the model inference.

[0095] The data collection / generation 602 may be a function that provides input data for the model training 604 and the model inference 606. The data collection / generation 602 function may include any form of data preparation (e.g., synthetic data generation) , and it may not be specific to the implementation of the AI / ML algorithm (e.g., data pre-processing and cleaning, formatting, and transformation) .

[0096] The examples of input data may include, but are not limited to, measurements, such as channel measurements and / or synthetic datasets associated with PMI, CSI, or CSF associated with communication between a UE and a network node that may be based on, or associated with, one or more channels and / or scenarios and one or more pre-processing implementations. In some aspects, the input data may further include feedback from the actor 608 (e.g., which may be a UE or network node) and / or output from another AI / ML model. The data collection / generation 602 may include training data, which refers to the data to be sent as the input for the (AI / ML) model training 604, and inference data, which refers to data input for the AI / ML model inference (e.g., model inference 606) .

[0097] The model training 604 may be a function that performs the ML model training, validation, and testing, which may generate model performance metrics as part of the model testing procedure. The model training 604 may also include data preparation (e.g., data pre-processing and cleaning, formatting, and transformation) based on the training data delivered or received from the data collection / generation 602 function. The model training 604 component may deploy or update a trained, validated, and tested AI / ML model to the model inference 606 component, and receive a model performance feedback from the model inference 606 component. As described above, there may be various functionalities to be performed by an AI / ML model for wireless communication

[0098] The model inference 606 may be a function that provides the AI / ML model inference output (e.g., predictions or decisions) . The model inference 606 may also perform data preparation (e.g., data pre-processing and cleaning, formatting, and transformation) based on the inference data delivered from the data collection / generation 602 function. The output of the model inference 606 may  include the inference output of the AI / ML model produced by the model inference 606. The details of the inference output may be use case specific. As an example, the output may include compressed CSI (e.g., when training an encoder model and / or network) and / or reconstructed CSI (e.g., when training a decoder model and / or network) . The prediction may be for the transmitter or the receiver and may be for the network or the UE. In some aspects, the actor may be a component of the base station or of a core network. In other aspects, the actor may be a UE in communication with a wireless network.

[0099] The model performance feedback may refer to information derived from the model inference 606 function that may be suitable for the improvement of the AI / ML model trained in the model training 604. The feedback from the actor 608 or other network entities (via the data collection / generation 602 function) may be implemented for the model inference 606 to create the model performance feedback.

[0100] The actor 608 may be a function that receives the output from the model inference 606 and triggers or performs corresponding actions. The actor may trigger actions directed to network entities including the other network entities or itself. The actor 608 may also provide a feedback information that the model training 604 or the model inference 606 to derive training or inference data or performance feedback. The feedback may be transmitted back to the data collection / generation 602.

[0101] A network or UE may use machine-learning algorithms, deep-learning algorithms, neural networks, reinforcement learning, regression, boosting, or advanced signal processing methods for aspects of wireless communication including the various functionalities such as CSI compression, CSI reconstruction, and / or CSF compression / reconstruction, among other examples.

[0102] In some aspects described herein, the network may train one or more neural networks to learn the dependence of measured qualities on individual parameters. Among others, examples of machine learning models or neural networks that may be included in the network entity include artificial neural networks (ANN) ; decision tree learning; convolutional neural networks (CNNs) ; deep learning architectures in which an output of a first layer of neurons becomes an input to a second layer of neurons, and so forth; support vector machines (SVM) , e.g., including a separating hyperplane (e.g., decision boundary) that categorizes data; regression analysis; Bayesian  networks; genetic algorithms; deep convolutional networks (DCNs) configured with additional pooling and normalization layers; and deep belief networks (DBNs) .

[0103] A machine learning model, such as an artificial neural network (ANN) , may include an interconnected group of artificial neurons (e.g., neuron models) , and may be a computational device or may represent a method to be performed by a computational device. The connections of the neuron models may be modeled as weights. Machine learning models may provide predictive modeling, adaptive control, and other applications through training via a dataset. The model may be adaptive based on external or internal information that is processed by the machine learning model. Machine learning may provide non-linear statistical data model or decision making and may model complex relationships between input data and output information.

[0104] A machine learning model may include multiple layers and / or operations that may be formed by the concatenation of one or more of the referenced operations. Examples of operations that may be involved include extraction of various features of data, convolution operations, fully connected operations that may be activated or deactivated, compression, decompression, quantization, flattening, etc. As used herein, a “layer” of a machine learning model may be used to denote an operation on input data. For example, a convolution layer, a fully connected layer, and / or the like may be used to refer to associated operations on data that is input into a layer. A convolution AxB operation refers to an operation that converts a number of input features A into a number of output features B. “Kernel size” may refer to a number of adjacent coefficients that are combined in a dimension. As used herein, “weight” may be used to denote one or more coefficients used in the operations in the layers for combining various rows and / or columns of input data. For example, a fully connected layer operation may have an output y that is determined based at least in part on a sum of a product of input matrix x and weights A (which may be a matrix) and bias values B (which may be a matrix) . The term “weights” may be used herein to generically refer to both weights and bias values. Weights and biases are examples of parameters of a trained machine learning model. Different layers of a machine learning model may be trained separately.

[0105] Machine learning models may include a variety of connectivity patterns, e.g., any feed-forward networks, hierarchical layers, recurrent architectures, feedback connections, etc. The connections between layers of a neural network may be fully  connected or locally connected. In a fully connected network, a neuron in a first layer may communicate its output to each neuron in a second layer, and each neuron in the second layer may receive input from every neuron in the first layer. In a locally connected network, a neuron in a first layer may be connected to a limited number of neurons in the second layer. In some aspects, a convolutional network may be locally connected and configured with shared connection strengths associated with the inputs for each neuron in the second layer. A locally connected layer of a network may be configured such that each neuron in a layer has the same, or similar, connectivity pattern, but with different connection strengths.

[0106] A machine learning model or neural network may be trained. For example, a machine learning model may be trained based on supervised learning. During training, the machine learning model may be presented with input that the model uses to compute to produce an output. The actual output may be compared to a target output, and the difference may be used to adjust parameters (such as weights and biases) of the machine learning model in order to provide an output closer to the target output. Before training, the output may be incorrect or less accurate, and an error, or difference, may be calculated between the actual output and the target output. The weights of the machine learning model may then be adjusted so that the output is more closely aligned with the target. To adjust the weights, a learning algorithm may compute a gradient vector for the weights. The gradient may indicate an amount that an error would increase or decrease if the weight were adjusted slightly. At the top layer, the gradient may correspond directly to the value of a weight connecting an activated neuron in the penultimate layer and a neuron in the output layer. In lower layers, the gradient may depend on the value of the weights and on the computed error gradients of the higher layers. The weights may then be adjusted so as to reduce the error or to move the output closer to the target. This manner of adjusting the weights may be referred to as back propagation through the neural network. The process may continue until an achievable error rate stops decreasing or until the error rate has reached a target level.

[0107] The machine learning models may include computational complexity and substantial processor for training the machine learning model. An output of one node is connected as the input to another node. Connections between nodes may be referred to as edges, and weights may be applied to the connections / edges to adjust the output from one  node that is applied as input to another node. Nodes may apply thresholds in order to determine whether, or when, to provide output to a connected node. The output of each node may be calculated as a non-linear function of a sum of the inputs to the node. The neural network may include any number of nodes and any type of connections between nodes. The neural network may include one or more hidden nodes. Nodes may be aggregated into layers, and different layers of the neural network may perform different kinds of transformations on the input. A signal may travel from input at a first layer through the multiple layers of the neural network to output at the last layer of the neural network and may traverse different layers multiple times.

[0108] In some aspects, conditions may be imposed for testing the generalization ability (which may be referred to using terms including, but not limited to, generalization performance, generality, generalizability, compatibility, or flexibility) of the reference model. The conditions may be related to generalization with respect to SVD phase ambiguity, with respect to different channel estimation and / or averaging algorithms, or with respect to other aspects that may vary across different vendors (e.g., UE / TE vendors) . In some aspects imposing conditions for the generalization ability with respect to SVD phase ambiguity and / or with respect to different channel estimation and / or averaging algorithms may include imposing conditions on the dataset used to train the reference model and / or imposing conditions related to the compatibility with encoders trained based on different pre-processing algorithms, implementations, and / or methods (e.g., pre-processing associated with SVD algorithms and / or implementations and / or pre-processing associated with different channel estimation and / or averaging algorithms) . For example, in some aspects, imposing conditions on the dataset used to train the reference model, a reference encoder and / or reference decoder provided to train an encoder implementation and / or a decoder implementation may itself be trained based on raw channel data and / or raw channel matrix pre-processed by a plurality of SVD algorithms and / or implementations and / or by a plurality of different channel estimation and / or averaging algorithms. The plurality of SVD algorithms, in some aspects, may include SVD algorithms both with and without phase normalization and for SVD algorithms with phase normalization using different phase normalizations (e.g., a phase normalization where a first element is normalized to be real) . Similarly, the plurality of different channel estimation and / or averaging algorithms may include different  ways of generating a per-sub-band channel estimation such as averaging the channels over the RBs (h) or a channel covariance matrix (Rhh or hhH, where (·) H represents a Hermitian transpose) . For example, in some aspects, the channel (e.g., a 48 RB channel) may first be estimated on a per-RB basis to produce a first channel matrix (h) . Next, a channel per-sub-band may be constructed where each sub-band is a fixed number of RBs (e.g., 4 RBs) to get an updated channel matrix (h or Rhh) per-sub-band (e.g., 12 sub-bands) . Accordingly, by averaging across RBs, the dimension may be reduced from 48 RBs to 12 sub-bands. That is, each 4 RBs are averaged to produce 1 sub-band channel estimate.

[0109] In some aspects, when imposing conditions related to the compatibility with encoders trained based on different SVD algorithms and / or implementations and / or based on different channel estimation and / or averaging algorithms, the reference encoder and / or reference decoder provided to train an encoder implementation and / or a decoder implementation may be trained based on a single SVD algorithm and / or implementation and / or a particular channel estimation and / or averaging algorithm and tested with different encoders trained based on different SVD algorithms and / or implementations and / or different channel estimation and / or averaging algorithms. In some aspects, the different encoders may share a same and / or common structure (e.g., a neural network having a same set of input nodes, hidden layers, and output nodes) with the reference encoder but may, based on the different SVD algorithms and / or implementations and / or different channel estimation and / or averaging algorithms used to train the different encoders, be associated with a different set of weights and / or parameters associated with elements of the common structure (e.g., weights associated with different nodes and / or connections between nodes of the neural network) . The testing for generalization ability of a reference encoder and / or a reference decoder may include, in some aspects, comparing a first value (K1) of a KPI (e.g., an SGCS or throughput) associated with the reference encoder and / or the reference decoder (e.g., a reference encoder / decoder pair) applied to input data based on a first SVD method and / or a first channel estimation and / or averaging algorithm (e.g., the single SVD algorithm and / or implementation and / or the single channel estimation and / or averaging algorithm used to train the reference encoder and / or decoder) to a second value (K2) of the KPI associated with an encoder / decoder pair applied to input data based on a particular one of the different SVD methods and / or  one of the different channel estimation and / or averaging algorithms to determine if the difference is greater than a threshold value (e.g., if K1-K2>θthreshold, assuming K1 will be the higher value based on the initial training being based on the first SVD method) indicating non-compatibility and / or non-generalization ability. In some aspects, the encoder / decoder pair used to generate the second value (K2) includes at least an encoder trained using the particular one of the different SVD algorithms and / or implementations and / or the particular channel estimation and / or averaging algorithm.

[0110] As described above, different UEs (e.g., produced by different vendors or using different hardware) may implement different SVD algorithms and / or implementations and / or different channel estimation and / or averaging algorithms. In some aspects, conditions may be imposed on the structure of the reference encoder and / or the reference decoder to ensure, or to increase a likelihood, that the reference encoder and / or the reference decoder are generally applicable (e.g., that the reference encoder and / or decoder are compatible with a variety of pre-processing algorithms, methods, and / or implementations) . Although the below discussion focuses on the structure of the reference encoder and an encoder implemented by a UE, some aspects may apply to the structure of the reference decoder and a decoder implemented by a TE and / or NW.In some aspects, a UE may be configured to train an encoder based on a received reference encoder or reference decoder. The received reference encoder, in some aspects, may be implemented as one of a plurality of supported models (e.g., encoders) . In some aspects, the received reference encoder may be used as a baseline (e.g., a “0th” model encoder or model-ID0) that may be used as a fallback if issues arise with a UE-trained encoder (e.g., AI / ML network, method, algorithm, or model) .

[0111] In some aspects, e.g., aspects receiving a fully-specified encoder (or standardized reference model) as in “Direction C” above, there may be benefits to providing a simple model such as a MLP, e.g., to reduce overhead associated with providing the fully-specified encoder including the structure and the weights associated with the model. However, such simple models may not generalize well for different pre-processing algorithms, methods, and / or implementations. Accordingly, in some aspects, a condition may be placed on the structure for the reference models (e.g., the reference encoder and / or the reference decoder) and / or for the encoder trained (and implemented) at the UE. For example, the structure may be indicated to be a simple  MLP with an additional sub-band processing layer and / or block, where the added layer and / or block may be configured to process and / or mix the different sub-bands. The added layer and / or block, in some aspects, may be included and / or specified such that subsequent layers and / or blocks of the encoder are trained to consider the phase distribution over the sub-bands.

[0112] In some aspects, more complex structures may be specified for the reference encoder and / or the encoder trained / implemented by, or at, the UE. For example, in some aspects, the encoder structure may be specified to be an MLP-mixer designed to do processing over both ports and sub-bands. In some aspects, the encoder structure may be specified to be a transformer-based encoder. The encoder structure, in some aspects, may be specified to be a CNN-based encoder having both port and sub-band processing (e.g., not treating different sub-bands as different and / or independent samples) . In some aspects, the encoder trained / implemented may use a different AI / ML structure than the AI / ML structure associated with the reference encoder. For example, the AI / ML structure associated with the reference encoder may be the MLP with the additional sub-band processing layer and / or block, while a trained / implemented encoder may use one of the MLP-mixer, the transformer-based encoder, or the CNN-based encoder.

[0113] FIG. 7A is a diagram 700 illustrating a first MLP architecture with a first sub-band processing layer based on a convolution in accordance with some aspects of the disclosure. The first MLP architecture may begin with input 702 based on a number of sub-bands (nSB) and a number of ports (nPorts) (e.g., a nSB x nPorts matrix) . The input 702, in some aspects, may correspond to the pre-processed data based on a particular set of the pre-processing methods described above (e.g., a particular SVD algorithm and / or a particular channel estimation / averaging algorithm) . Input 702 may be fed to input layer 704 that maps elements of the input 702 (e.g., elements of the nSB x nPorts matrix) to a matrix (e.g., a matrix with nSB x d terms) . The output of the input layer 704 may then be provided to the additional sub-band processing layer 706 that may perform a 1-dimensional convolution on the output by the input layer 704. The results of the additional sub-band processing layer 706 may be provided to a (layer) normalization layer 708. The results of the layer normalization by the normalization layer 708 may then be provided to a MLP layer 710 that produces an  output that is flattened at flattening layer 712 and processed by output layer 714 to produce output 716 ( “Z” ) .

[0114] FIG. 7B is a diagram 750 illustrating a second MLP architecture with a first sub-band processing layer based on a ResNet in accordance with some aspects of the disclosure. The second MLP architecture may begin with input 752 based on a number of sub-bands (nSB) and a number of ports (nPorts) (e.g., a nSB x nPorts matrix) . The input 752, in some aspects, may correspond to the pre-processed data based on a particular set of the pre-processing methods described above (e.g., a particular SVD algorithm and / or a particular channel estimation / averaging algorithm) . Input 752 may be fed to input layer 754 that maps elements of the input 752 (e.g., elements of the nSB x nPorts matrix) to a matrix (e.g., a matrix with nSB x d terms) . The output of the input layer 754 may then be provided to the additional sub-band processing layer 756 that may be based on a ResNet that, as illustrated, includes a first convolution (e.g., a 3x3 convolution) on the output from the input layer 754, an application of a batch normalization and rectified linear unit (ReLU) on the output of the first convolution, an additional convolution on the output of the batch normalization and ReLU, an additional batch normalization on the output of the additional convolution, a combination (e.g., an addition, subtraction, or other function) of the output of the additional batch normalization with the output from the input layer 754, and applying a second ReLU. The results of the additional sub-band processing layer 756 may be provided to a (layer) normalization layer 758. The results of the layer normalization by the normalization layer 758 may then be provided to a MLP layer 760 that produces an output that is flattened at flattening layer 762 and processed by output layer 764 to produce output 766 ( “Z” ) .

[0115] In some aspects, e.g., aspects receiving parameters for an encoder (e.g., based on a standardized encoder structure) from a network as in “Direction B” above (e.g., for a plug-and-play implementation) , if the parameters are configured based on one or more supported pre-processing algorithms and / or implementations (e.g., a particular SVD algorithm, a particular phase normalization algorithm, and / or a particular channel estimation / averaging algorithm) the network may supply additional information regarding the supported pre-processing algorithms and / or implementations (e.g., phase normalizations) . The additional information may be included along with the parameters for the provided encoder model (or AI / ML algorithm, network, or method)  and / or may be indicated based on another indication provided to the UE receiving the encoder parameters. The UE may then adapt, if possible, its own pre-processing (e.g., phase normalization) to conform to one of the pre-processing algorithms and / or implementations indicated to be supported by the network in association with the encoder provided to the UE.

[0116] FIG. 8 is a call flow diagram 800 illustrating a method of wireless communication in accordance with some aspects of the disclosure. The method is illustrated in relation to a first device 801 (e.g., a computing device and / or a wireless device) , a base station 802 (e.g., as an example of a test equipment, network device, or network node that may include one or more components of a disaggregated base station) , and a UE 804 (e.g., as an example of a wireless device or a wireless device vendor device) that may be in communication. The functions ascribed to the base station 802, in some aspects, may be performed by one or more components of a network entity, a network node, or a network device (asingle network entity / node / device or a disaggregated network entity / node / device as described above in relation to FIG. 1) . Similarly, the functions ascribed to the UE 804, in some aspects, may be performed by one or more components of a wireless device supporting communication with a network entity / node / device. Accordingly, references to “transmitting” in the description below may be understood to refer to a first component of the base station 802 (or the UE 804) outputting (or providing) an indication of the content of the transmission to be transmitted by a different component of the base station 802 (or the UE 804) . Similarly, references to “receiving” in the description below may be understood to refer to a first component of the base station 802 (or the UE 804) receiving a transmitted signal and outputting (or providing) the received signal (or information based on the received signal) to a different component of the base station 802 (or the UE 804) .

[0117] The first device 801 may, at 810, train a reference encoder and / or a reference decoder associated with CSI compression. In some aspects, the training of the reference encoder and / or the reference decoder may include the elements of diagram 500 (e.g., the first step 510 including generating a synthetic dataset at 520 and training one or more reference models at 526) . In some aspects, the reference encoder and / or the reference decoder may be associated with a training dataset based on one or more pre-processing methods. The one or more pre-processing methods, in some aspects, may  include a first SVD method, or a plurality of SVD methods, where the reference encoder or the reference decoder is (trained to be) compatible with a plurality of SVD decomposition methods whether it is trained based on a single SVD method or multiple SVD methods. In some aspects, the plurality of SVD methods compatible with, or used to train, the reference encoder or the reference decoder may include one or more of a first SVD method associated with a first phase normalization technique, a second SVD method associated with a second phase normalization technique, and / or a third SVD method unassociated with phase normalization. In some aspects, the one or more pre-processing methods may include one or more channel estimation algorithms associated with one or more averaging methods associated with a frequency domain.

[0118] The first device may provide, and at least one of the base station 802 and / or the UE 804 may receive (or obtain) , information 812 regarding at least one of the reference encoder and / or the reference decoder trained at 810. The information 812 may include one or more of a structure, parameters, a data format, and / or a dataset (e.g., the dataset used for training at 810) associated with the at least one of the reference encoder and / or the reference decoder.

[0119] The base station 802, at 814, may train and / or implement a decoder associated with CSI decompression and / or reconstruction based on the information 812 (e.g., on a received reference encoder and / or reference decoder) . The base station 802, in some aspects, may provide information 815 regarding at least one of the reference encoder and / or the reference decoder trained at 810, the decoder trained and / or implemented at 814, or an encoder associated with the decoder trained and / or implemented at 814. The information 815 may include one or more of a structure, parameters, a data format, and / or a dataset (e.g., the dataset used for training at 810 or at 814) associated with the at least one of the reference encoder and / or the reference decoder, the decoder trained and / or implemented at 814, or an encoder associated with the decoder trained and / or implemented at 814.

[0120] In some aspects, the information 812 and / or the information 815 regarding the reference encoder and / or the reference decoder includes a structure for the reference encoder that is compatible with a plurality of pre-processing methods including the one or more pre-processing methods. The structure, in some aspects, may be associated with one of a MLP with a sub-band processing layer, a MLP-mixer that  performs processing over ports and sub-bands, a transformer-based encoder, or a convolutional neural network-based encoder that has port and sub-band processing (e.g., where different sub-bands are inputs to the convolutional neural network-based encoder for convolution) .

[0121] Based on one or both of the information 812 or the information 815, the UE 804 may, at 816, train and / or implement an encoder associated with CSI compression. The UE 804, in some aspects, may, at 816, implement an encoder indicated by the information 812 and / or the information 815 (e.g., based on a structure and parameters for a reference encoder included in, or indicated by, the information) . In some aspects, the UE 804 may, at 816, train an encoder based on the information 812 and / or the information 815 (e.g., based on a structure and / or parameters for a reference decoder included in, or indicated by, the information) . The training, in some aspects, may include any of the training described above in relation to FIG. 5. For example, training an encoder at 816, in some aspects, may include training a decoder based on the information 812 and / or the information 815 (e.g., based on a structure and / or parameters for a reference encoder included in, or indicated by, the information) and then training an encoder based on the trained decoder, where the trained encoder may then be implemented.

[0122] In some aspects, the information 812 and / or the information 815 regarding the reference encoder or the reference decoder may include a specification of a particular encoder to use when performing a CSI compression. In some aspects, the information 812 and / or the information 815 may include an indication of a set of supported pre-processing methods by the particular encoder. For example, the set of supported pre-processing methods comprises one or more of a first set of SVD methods associated with a first set of phase normalization techniques, a second set of channel estimation algorithms, or a third set of channel averaging algorithms associated with different averaging methods associated with a frequency domain. The information 812 and / or the information 815 regarding the reference encoder or the reference decoder, in some aspects, may include an indication of at least one phase normalization compatible with the reference encoder or the reference decoder.

[0123] The base station 802 may transmit, and the UE 804 may receive, reference signals 818 (e.g., CSI-RS) . Based on the reference signals 818, the UE 804 may, at 820, measure the reference signals 818, generate CSI, and perform CSI compression based  on the encoder trained and / or implemented at 816. In some aspects, performing the CSI compression at 820 using the encoder may include performing a pre-processing of data associated with the CSI compression using one of the set of supported pre-processing methods before performing the CSI compression using the particular encoder. When the information 812 and / or the information 815 regarding the reference encoder or the reference decoder includes an indication of at least one phase normalization compatible with the reference encoder or the reference decoder, performing the CSI compression using the encoder (trained and / or implemented at 816) may include performing a phase normalization on the CSI based on the at least one phase normalization indicated to be compatible with the reference encoder or the reference decoder to generate phase-normalized CSI and using the encoder based on the received information to compress the phase-normalized CSI.

[0124] The UE 804, based on the CSI compression performed at 820, may transmit, and the base station 802 may receive, compressed CSI 822. The base station 802 may, at 824, reconstruct the CSI using the decoder trained and / or implemented at 814. The reconstructed CSI, in some aspects, may be associated with a PMI or other CSI. The base station 802 may, based on the CSI reconstructed at 824, transmit, and the UE 804 may receive, a transmission 826. For example, the transmission 826 may be based on a precoding matrix indicated by the compressed CSI transmitted by the UE 804 and reconstructed by the base station 802.

[0125] FIG. 9 is a flowchart 900 of a method of wireless communication. The method may be performed by a UE or a device associated with a UE (e.g., the UE 104, 420, 804; the apparatus 1104) . At 902, the device may receive information regarding a reference encoder or a reference decoder. In some aspects, the reference encoder or the reference decoder may be associated with CSI compression and may be associated with a training dataset based on one or more pre-processing methods. The one or more pre-processing methods, in some aspects, may include a first SVD method. In some aspects, the one or more pre-processing methods, may include a plurality of SVD methods and the plurality of SVD methods may include one or more of a first SVD method associated with a first phase normalization technique, a second SVD method associated with a second phase normalization technique, and / or a third SVD method unassociated with phase normalization. For example, 902 may be performed by application processor (s) 1106, cellular baseband processor (s) 1124, transceiver (s)  1122, antenna (s) 1180, and / or CSI compression component 198 of FIG. 11. In some aspects, the one or more pre-processing methods may include a plurality of channel estimation algorithms. The plurality of channel estimation algorithms, in some aspects, may include a plurality of averaging methods associated with a frequency domain. In some aspects, the information regarding the reference encoder or the reference decoder may include a structure for the reference encoder that is compatible with a plurality of pre-processing methods including the one or more pre-processing methods. The structure, in some aspects, may be associated with one of a MLP with a sub-band processing layer (as depicted in FIGs. 7A and 7B) , a MLP-mixer that performs processing over ports and sub-bands, a transformer-based encoder, or a convolutional neural network-based encoder that has port and sub-band processing (where different sub-bands may be inputs to the convolutional neural network-based encoder for convolution) . In some aspects, the information regarding the reference encoder or the reference decoder may include a specification of a particular encoder to use when performing the CSI compression and the information may include an indication of a set of supported pre-processing methods by the particular encoder. The specification of the particular encoder, in some aspects, may include an additional indication of a structure and a set of weights associated with the particular encoder. In some aspects, the set of supported pre-processing methods may include one or more of a first set of SVD methods associated with a first set of phase normalization techniques, a second set of channel estimation algorithms, or a third set of channel averaging algorithms associated with different averaging methods associated with a frequency domain. The information regarding the reference encoder or the reference decoder, in some aspects, may include an indication of at least one phase normalization compatible with the reference encoder or the reference decoder. For example, referring to FIG. 8, the UE 804 may receive one of information 812 regarding at least one of the reference encoder and / or the reference decoder trained at 810 and  / or the information 815 regarding at least one of the reference encoder and / or the reference decoder trained at 810, the decoder trained and / or implemented at 814, or an encoder associated with the decoder trained and / or implemented at 814.

[0126] At 904, the device may perform the CSI compression using an encoder based on the received information. In some aspects, performing the CSI compression using the encoder based on the received information may include performing a phase  normalization on the CSI based on the at least one phase normalization indicated to be compatible with the reference encoder or the reference decoder to generate phase-normalized CSI and using the encoder based on the received information to compress the phase-normalized CSI. For example, 904 may be performed by application processor (s) 1106, cellular baseband processor (s) 1124, transceiver (s) 1122, antenna (s) 1180, and / or CSI compression component 198 of FIG. 11. In some aspects, performing the CSI compression using the encoder at 904 may include performing a pre-processing of data associated with the CSI compression using one of the set of supported pre-processing methods before performing the CSI compression using the particular encoder. In some aspects, the encoder based on the received information may be an encoder trained by the device based on one or more of the reference encoder and / or the reference decoder as described in relation to FIG. 5 (e.g., the second step 540 associated with training a UE encoder implementation of the AI / ML model and / or network) . For example, referring to FIG. 8, the UE 804 may train and / or implement the encoder at 816 and, at 820, measure the reference signals 818, generate CSI, and perform CSI compression based on the encoder trained and / or implemented at 816.

[0127] At 908, the device may transmit, based on the CSI compression, compressed CSI. For example, 908 may be performed by application processor (s) 1106, cellular baseband processor (s) 1124, transceiver (s) 1122, antenna (s) 1180, and / or CSI compression component 198 of FIG. 11. For example, referring to FIG. 8, the UE 804 may transmit compressed CSI 822.

[0128] FIG. 10 is a flowchart 1000 of a method of wireless communication. The method may be performed by a UE or a device associated with a UE (e.g., the UE 104, 420, 804; the apparatus 1104) . At 1002, the device may receive information regarding a reference encoder or a reference decoder. In some aspects, the reference encoder or the reference decoder may be associated with CSI compression and may be associated with a training dataset based on one or more pre-processing methods. The one or more pre-processing methods, in some aspects, may include a first SVD method. In some aspects, the one or more pre-processing methods, may include a plurality of SVD methods and the plurality of SVD methods may include one or more of a first SVD method associated with a first phase normalization technique, a second SVD method associated with a second phase normalization technique, and / or a third SVD method unassociated with phase normalization. For example, 1002 may be performed by  application processor (s) 1106, cellular baseband processor (s) 1124, transceiver (s) 1122, antenna (s) 1180, and / or CSI compression component 198 of FIG. 11. In some aspects, the one or more pre-processing methods may include a plurality of channel estimation algorithms. The plurality of channel estimation algorithms, in some aspects, may include a plurality of averaging methods associated with a frequency domain. In some aspects, the information regarding the reference encoder or the reference decoder may include a structure for the reference encoder that is compatible with a plurality of pre-processing methods including the one or more pre-processing methods. The structure, in some aspects, may be associated with one of a MLP with a sub-band processing layer (as depicted in FIGs. 7A and 7B) , a MLP-mixer that performs processing over ports and sub-bands, a transformer-based encoder, or a convolutional neural network-based encoder that has port and sub-band processing (where different sub-bands may be inputs to the convolutional neural network-based encoder for convolution) . In some aspects, the information regarding the reference encoder or the reference decoder may include a specification of a particular encoder to use when performing the CSI compression and the information may include an indication of a set of supported pre-processing methods by the particular encoder. The specification of the particular encoder, in some aspects, may include an additional indication of a structure and a set of weights associated with the particular encoder. In some aspects, the set of supported pre-processing methods may include one or more of a first set of SVD methods associated with a first set of phase normalization techniques, a second set of channel estimation algorithms, or a third set of channel averaging algorithms associated with different averaging methods associated with a frequency domain. The information regarding the reference encoder or the reference decoder, in some aspects, may include an indication of at least one phase normalization compatible with the reference encoder or the reference decoder. For example, referring to FIG. 8, the UE 804 may receive one of information 812 regarding at least one of the reference encoder and / or the reference decoder trained at 810 and  / or the information 815 regarding at least one of the reference encoder and / or the reference decoder trained at 810, the decoder trained and / or implemented at 814, or an encoder associated with the decoder trained and / or implemented at 814.

[0129] At 1004, the device may perform the CSI compression using an encoder based on the received information. In some aspects, performing the CSI compression using the  encoder based on the received information may include, at 1005, performing a phase normalization on the CSI based on the at least one phase normalization indicated to be compatible with the reference encoder or the reference decoder to generate phase-normalized CSI, and, at 1007, using the encoder based on the received information to compress the phase-normalized CSI. For example, 1004, 1005, and 1007 may be performed by application processor (s) 1106, cellular baseband processor (s) 1124, transceiver (s) 1122, antenna (s) 1180, and / or CSI compression component 198 of FIG. 11. In some aspects, performing the CSI compression using the encoder at 1004 may include performing a pre-processing of data associated with the CSI compression using one of the set of supported pre-processing methods before performing the CSI compression using the particular encoder. In some aspects, the encoder based on the received information may be an encoder trained by the device based on one or more of the reference encoder and / or the reference decoder as described in relation to FIG. 5 (e.g., the second step 540 associated with training a UE encoder implementation of the AI / ML model and / or network) . For example, referring to FIG. 8, the UE 804 may train and / or implement the encoder at 816 and, at 820, measure the reference signals 818, generate CSI, and perform CSI compression based on the encoder trained and / or implemented at 816.

[0130] At 1008, the device may transmit, based on the CSI compression, compressed CSI. For example, 1008 may be performed by application processor (s) 1106, cellular baseband processor (s) 1124, transceiver (s) 1122, antenna (s) 1180, and / or CSI compression component 198 of FIG. 11. For example, referring to FIG. 8, the UE 804 may transmit compressed CSI 822.

[0131] FIG. 11 is a diagram 1100 illustrating an example of a hardware implementation for an apparatus 1104. The apparatus 1104 may be a UE, a component of a UE, or may implement UE functionality. In some aspects, the apparatus 1104 may include at least one cellular baseband processor 1124 (also referred to as a modem) coupled to one or more transceivers 1122 (e.g., cellular RF transceiver) . The cellular baseband processor (s) 1124 may include at least one on-chip memory 1124' . In some aspects, the apparatus 1104 may further include one or more subscriber identity modules (SIM) cards 1120 and at least one application processor 1106 coupled to a secure digital (SD) card 1108 and a screen 1110. The application processor (s) 1106 may include on-chip memory 1106' . In some aspects, the apparatus 1104 may further  include a Bluetooth module 1112, a WLAN module 1114, an SPS module 1116 (e.g., GNSS module) , one or more sensor modules 1118 (e.g., barometric pressure sensor  / altimeter; motion sensor such as inertial measurement unit (IMU) , gyroscope, and / or accelerometer (s) ; light detection and ranging (LIDAR) , radio assisted detection and ranging (RADAR) , sound navigation and ranging (SONAR) , magnetometer, audio and / or other technologies used for positioning) , additional memory modules 1126, a power supply 1130, and / or a camera 1132. The Bluetooth module 1112, the WLAN module 1114, and the SPS module 1116 may include an on-chip transceiver (TRX) (or in some cases, just a receiver (RX) ) . The Bluetooth module 1112, the WLAN module 1114, and the SPS module 1116 may include their own dedicated antennas and / or utilize one or more antennas 1180 for communication. The cellular baseband processor (s) 1124 communicates through the transceiver (s) 1122 via the one or more antennas 1180 with the UE 104 and / or with an RU associated with a network entity 1102. The cellular baseband processor (s) 1124 and the application processor (s) 1106 may each include a computer-readable medium  / memory 1124' , 1106' , respectively. The additional memory modules 1126 may also be considered a computer-readable medium  / memory. Each computer-readable medium  / memory 1124' , 1106' , 1126 may be non-transitory. The cellular baseband processor (s) 1124 and the application processor (s) 1106 are each responsible for general processing, including the execution of software stored on the computer-readable medium  / memory. The software, when executed by the cellular baseband processor (s) 1124  / application processor (s) 1106, causes the cellular baseband processor (s) 1124  / application processor (s) 1106 to perform the various functions described supra. The computer-readable medium  / memory may also be used for storing data that is manipulated by the cellular baseband processor (s) 1124  / application processor (s) 1106 when executing software. The cellular baseband processor (s) 1124  / application processor (s) 1106 may be a component of the UE 350 and may include the at least one memory 360 and / or at least one of the TX processor 368, the RX processor 356, and the controller / processor 359. In one configuration, the apparatus 1104 may be at least one processor chip (modem and / or application) and include just the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, and in another configuration, the apparatus 1104 may be the entire UE (e.g., see UE 350 of FIG. 3) and include the additional modules of the apparatus 1104.

[0132] As discussed supra, the CSI compression component 198 may be configured to receive information regarding a reference encoder or a reference decoder, where the reference encoder or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods, perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI. The CSI compression component 198 may be within the cellular baseband processor (s) 1124, the application processor (s) 1106, or both the cellular baseband processor (s) 1124 and the application processor (s) 1106. The CSI compression component 198 may be one or more hardware components specifically configured to carry out the stated processes / algorithm, implemented by one or more processors configured to perform the stated processes / algorithm, stored within a computer-readable medium for implementation by one or more processors, or some combination thereof. When multiple processors are implemented, the multiple processors may perform the stated processes / algorithm individually or in combination. As shown, the apparatus 1104 may include a variety of components configured for various functions. In one configuration, the apparatus 1104, and in particular the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, may include means for receiving information regarding a reference encoder or a reference decoder, where the reference encoder or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods. The apparatus 1104, and in particular the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, may include means for performing the CSI compression using an encoder based on the received information. The apparatus 1104, and in particular the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, may include means for transmitting, based on the CSI compression, compressed CSI. The apparatus 1104, and in particular the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, may include means for performing a pre-processing of data associated with the CSI compression using one of a set of supported pre-processing methods before performing the CSI compression using the particular encoder. The apparatus 1104, and in particular the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, may include means for performing a phase normalization on the CSI based on at least one phase normalization indicated  to be compatible with the reference encoder or the reference decoder to generate phase-normalized CSI. The apparatus 1104, and in particular the cellular baseband processor (s) 1124 and / or the application processor (s) 1106, may include means for using the encoder based on the received information to compress the phase-normalized CSI. The apparatus 1104 may further include means for performing any of the aspects described in connection with the flowcharts in FIGs. 9 or 10, and / or performed by the UE in the communication / call flow of FIG. 8. The means may be the CSI compression component 198 of the apparatus 1104 configured to perform the functions recited by the means. As described supra, the apparatus 1104 may include the TX processor 368, the RX processor 356, and the controller / processor 359. As such, in one configuration, the means may be the TX processor 368, the RX processor 356, and / or the controller / processor 359 configured to perform the functions recited by the means.

[0133] Various aspects relate generally to ensuring the compatibility of an encoder and / or decoder provided to a UE with a range of normalizations and / or SVD methods that may be implemented at the UE and / or at different UEs. Some aspects more specifically relate to imposing restrictions on the encoder and / or decoder provided to a UE to ensure the compatibility with the range of normalizations and / or SVD methods that may be implemented at the UE and / or at the different UEs. In some examples, a device associated with a UE that may be configured to receive information regarding a reference encoder and / or a reference decoder, where the reference encoder and / or the reference decoder is associated with CSI compression and is associated with a training dataset based on one or more pre-processing methods, perform the CSI compression using an encoder based on the received information, and transmit, based on the CSI compression, compressed CSI.

[0134] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by imposing restrictions on the encoder and / or decoder provided to a UE to ensure the compatibility with the range of normalizations and / or SVD methods, the described techniques can be used to provide good generalization performance of AI / ML CSF for different CSI, or channel measurement, pre-processing implementation (e.g., by different UE vendors) .

[0135] It is understood that the specific order or hierarchy of blocks in the processes  / flowcharts disclosed is an illustration of example approaches. Based upon design preferences, it is understood that the specific order or hierarchy of blocks in the processes  / flowcharts may be rearranged. Further, some blocks may be combined or omitted. The accompanying method claims present elements of the various blocks in a sample order, and are not limited to the specific order or hierarchy presented.

[0136] The previous description is provided to enable any person skilled in the art to practice the various aspects described herein. Various modifications to these aspects will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not limited to the aspects described herein, but are to be accorded the full scope consistent with the language claims. Reference to an element in the singular does not mean “one and only one” unless specifically so stated, but rather “one or more. ” Terms such as “if, ” “when, ” and “while” do not imply an immediate temporal relationship or reaction. That is, these phrases, e.g., “when, ” do not imply an immediate action in response to or during the occurrence of an action, but simply imply that if a condition is met then an action will occur, but without requiring a specific or immediate time constraint for the action to occur. The word “exemplary” is used herein to mean “serving as an example, instance, or illustration. ” Any aspect described herein as “exemplary” is not necessarily to be construed as preferred or advantageous over other aspects. Unless specifically stated otherwise, the term “some” refers to one or more. Combinations such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” and “A, B, C, or any combination thereof” include any combination of A, B, and / or C, and may include multiples of A, multiples of B, or multiples of C. Specifically, combinations such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” and “A, B, C, or any combination thereof” may be A only, B only, C only, A and B, A and C, B and C, or A and B and C, where any such combinations may contain one or more member or members of A, B, or C. Sets should be interpreted as a set of elements where the elements number one or more. Accordingly, for a set of X, X would include one or more elements. When at least one processor is configured to perform a set of functions, the at least one processor, individually or in any combination, is configured to perform the set of functions. Accordingly, each  processor of the at least one processor may be configured to perform a particular subset of the set of functions, where the subset is the full set, a proper subset of the set, or an empty subset of the set. A processor may be referred to as processor circuitry. A memory  / memory module may be referred to as memory circuitry. If a first apparatus receives data from or transmits data to a second apparatus, the data may be received / transmitted directly between the first and second apparatuses, or indirectly between the first and second apparatuses through a set of apparatuses. A device configured to “output” data, such as a transmission, signal, or message, may transmit the data, for example with a transceiver, or may send the data to a device that transmits the data. A device configured to “obtain” data, such as a transmission, signal, or message, may receive, for example with a transceiver, or may obtain the data from a device that receives the data. Information stored in a memory includes instructions and / or data. All structural and functional equivalents to the elements of the various aspects described throughout this disclosure that are known or later come to be known to those of ordinary skill in the art are expressly incorporated herein by reference and are encompassed by the claims. Moreover, nothing disclosed herein is dedicated to the public regardless of whether such disclosure is explicitly recited in the claims. The words “module, ” “mechanism, ” “element, ” “device, ” and the like may not be a substitute for the word “means. ” As such, no claim element is to be construed as a means plus function unless the element is expressly recited using the phrase “means for. ”

[0137] As used herein, the phrase “based on” shall not be construed as a reference to a closed set of information, one or more conditions, one or more factors, or the like. In other words, the phrase “based on A” (where “A” may be information, a condition, a factor, or the like) shall be construed as “based at least on A” unless specifically recited differently.

[0138] The following aspects are illustrative only and may be combined with other aspects or teachings described herein, without limitation.

[0139] Aspect 1 is a method of wireless communication at a first device associated with a user equipment (UE) , comprising: receiving information regarding a reference encoder or a reference decoder, wherein the reference encoder or the reference decoder is associated with channel state information (CSI) compression and is associated with a training dataset based on one or more pre-processing methods;  performing the CSI compression using an encoder based on the received information; and transmitting, based on the CSI compression, compressed CSI.

[0140] Aspect 2 is the method of aspect 1, wherein the one or more pre-processing methods include a first single value decomposition (SVD) method, wherein the reference encoder or the reference decoder is compatible with a plurality of SVD decomposition methods.

[0141] Aspect 3 is the method of aspect 2, wherein the reference encoder or the reference decoder is compatible with a particular SVD method other than the first SVD method if a first value of a key performance indicator (KPI) associated with the reference encoder or the reference decoder applied after using the particular SVD method is within a threshold value of a second value of the KPI associated with the reference encoder or the reference decoder applied after using the first SVD method.

[0142] Aspect 4 is the method of aspect 3, wherein the KPI is one of a square generalized cosine similarity (SGCS) or a throughput.

[0143] Aspect 5 is the method of any of aspects 1 to 4, wherein the one or more pre-processing methods include a plurality of single value decomposition (SVD) methods.

[0144] Aspect 6 is the method of aspect 5, wherein the plurality of SVD methods comprises one or more of: a first SVD method associated with a first phase normalization technique; a second SVD method associated with a second phase normalization technique; or a third SVD method unassociated with phase normalization.

[0145] Aspect 7 is the method of any of aspects 1 to 6, wherein the one or more pre-processing methods include a plurality of channel estimation algorithms.

[0146] Aspect 8 is the method of aspect 7, wherein the plurality of channel estimation algorithms comprises a plurality of averaging methods associated with a frequency domain.

[0147] Aspect 9 is the method of any of aspects 1 to 8, wherein the information regarding the reference encoder or the reference decoder includes a structure for the reference encoder that is compatible with a plurality of pre-processing methods including the one or more pre-processing methods.

[0148] Aspect 10 is the method of aspect 9, wherein the structure is associated with one of: a multi-layer perceptron (MLP) with a sub-band processing layer; a MLP-mixer that performs processing over ports and sub-bands; a transformer-based encoder; or a convolutional neural network-based encoder that has port and sub-band processing.

[0149] Aspect 11 is the method of aspect 10, wherein the structure is associated with the convolutional neural network-based encoder, and wherein different sub-bands are inputs to the convolutional neural network-based encoder for convolution.

[0150] Aspect 12 is the method of any of aspects 1 to 11, wherein the information regarding the reference encoder or the reference decoder comprises a specification of a particular encoder to use when performing the CSI compression, wherein the information further comprises an indication of a set of supported pre-processing methods by the particular encoder, and wherein performing the CSI compression using the encoder comprises performing a pre-processing of data associated with the CSI compression using one of the set of supported pre-processing methods before performing the CSI compression using the particular encoder.

[0151] Aspect 13 is the method of aspect 12, wherein the set of supported pre-processing methods comprises one or more of: a first set of SVD methods associated with a first set of phase normalization techniques; a second set of channel estimation algorithms; or a third set of channel averaging algorithms associated with different averaging methods associated with a frequency domain.

[0152] Aspect 14 is the method of any of aspects 12 and 13, wherein the specification of the particular encoder comprises an additional indication of a structure and a set of weights associated with the particular encoder.

[0153] Aspect 15 is the method of any of aspects 1 to 14, wherein the information regarding the reference encoder or the reference decoder comprises an indication of at least one phase normalization compatible with the reference encoder or the reference decoder, and wherein performing the CSI compression using the encoder based on the received information comprises: performing a phase normalization on the CSI based on the at least one phase normalization indicated to be compatible with the reference encoder or the reference decoder to generate phase-normalized CSI; and using the encoder based on the received information to compress the phase-normalized CSI.

[0154] Aspect 16 is an apparatus for wireless communication at a device including a memory and at least one processor coupled to the memory and, based at least in part on information stored in the memory, the at least one processor is configured to implement any of aspects 1 to 15.

[0155] Aspect 17 is the apparatus of aspect 16, further including a transceiver or an antenna coupled to the at least one processor.

[0156] Aspect 18 is an apparatus for wireless communication at a device including means for implementing any of aspects 1 to 15.

[0157] Aspect 19 is a computer-readable medium (e.g., a non-transitory computer-readable medium) storing computer executable code, where the code when executed by a processor causes the processor to implement any of aspects 1 to 15.

Claims

An apparatus for wireless communication at a first device associated with a user equipment (UE) , comprising:at least one memory; andat least one processor coupled to the at least one memory and, based at least in part on stored information that is stored in the at least one memory, the at least one processor, individually or in any combination, is configured to:receive information regarding a reference encoder or a reference decoder, wherein the reference encoder or the reference decoder is associated with channel state information (CSI) compression and is associated with a training dataset based on one or more pre-processing methods;perform the CSI compression using an encoder based on the received information; andtransmit based on the CSI compression, compressed CSI.The apparatus of claim 1, wherein the one or more pre-processing methods include a first single value decomposition (SVD) method, wherein the reference encoder or the reference decoder is compatible with a plurality of SVD decomposition methods.The apparatus of claim 2, wherein the reference encoder or the reference decoder is compatible with a particular SVD method other than the first SVD method if a first value of a key performance indicator (KPI) associated with the reference encoder or the reference decoder applied after using the particular SVD method is within a threshold value of a second value of the KPI associated with the reference encoder or the reference decoder applied after using the first SVD method.The apparatus of claim 3, wherein the KPI is one of a square generalized cosine similarity (SGCS) or a throughput.The apparatus of claim 1, wherein the one or more pre-processing methods include a plurality of single value decomposition (SVD) methods.The apparatus of claim 5, wherein the plurality of SVD methods comprises one or more of:a first SVD method associated with a first phase normalization technique;a second SVD method associated with a second phase normalization technique; ora third SVD method unassociated with phase normalization.The apparatus of claim 1, wherein the one or more pre-processing methods include a plurality of channel estimation algorithms.The apparatus of claim 7, wherein the plurality of channel estimation algorithms comprises a plurality of averaging methods associated with a frequency domain.The apparatus of claim 1, wherein the information regarding the reference encoder or the reference decoder includes a structure for the reference encoder that is compatible with a plurality of pre-processing methods including the one or more pre-processing methods.The apparatus of claim 9, wherein the structure is associated with one of:a multi-layer perceptron (MLP) with a sub-band processing layer;a MLP-mixer that performs processing over ports and sub-bands;a transformer-based encoder; ora convolutional neural network-based encoder that has port and sub-band processing.The apparatus of claim 10, wherein the structure is associated with the convolutional neural network-based encoder, and wherein different sub-bands are inputs to the convolutional neural network-based encoder for convolution.The apparatus of claim 1, wherein the information regarding the reference encoder or the reference decoder comprises a specification of a particular encoder to use when performing the CSI compression, wherein the information further comprises an indication of a set of supported pre-processing methods by the particular encoder, and wherein to perform the CSI compression using the encoder, the at least one processor, individually or in any combination, is configured to perform a pre-processing of data associated with the CSI compression using one of the set of supported pre-processing methods before performing the CSI compression using the particular encoder.The apparatus of claim 12, wherein the set of supported pre-processing methods comprises one or more of:a first set of SVD methods associated with a first set of phase normalization techniques;a second set of channel estimation algorithms; ora third set of channel averaging algorithms associated with different averaging methods associated with a frequency domain.The apparatus of claim 12, wherein the specification of the particular encoder comprises an additional indication of a structure and a set of weights associated with the particular encoder.The apparatus of claim 1, wherein the information regarding the reference encoder or the reference decoder comprises an indication of at least one phase normalization compatible with the reference encoder or the reference decoder, and wherein to perform the CSI compression using the encoder based on the received information, the at least one processor, individually or in any combination, is configured to:perform a phase normalization on the CSI based on the at least one phase normalization indicated to be compatible with the reference encoder or the reference decoder to generate phase-normalized CSI; anduse the encoder based on the received information to compress the phase-normalized CSI.A method of wireless communication at a first device associated with a user equipment (UE) , comprising:receiving information regarding a reference encoder or a reference decoder, wherein the reference encoder or the reference decoder is associated with channel state information (CSI) compression and is associated with a training dataset based on one or more pre-processing methods;performing the CSI compression using an encoder based on the received information; andtransmitting, based on the CSI compression, compressed CSI.The method of claim 16, wherein the one or more pre-processing methods include a first single value decomposition (SVD) method, wherein the reference encoder or the reference decoder is compatible with a plurality of SVD decomposition methods.The method of claim 16, wherein the information regarding the reference encoder or the reference decoder comprises a specification of a particular encoder to use when performing the CSI compression, wherein the information further comprises an indication of a set of supported pre-processing methods by the particular encoder, and wherein performing the CSI compression using the encoder comprises performing a pre-processing of data associated with the CSI compression using one of the set of supported pre-processing methods before performing the CSI compression using the particular encoder, and wherein the one or more pre-processing methods include one or more of:a first set of SVD methods associated with a first set of phase normalization techniques;a second set of channel estimation algorithms; ora third set of channel averaging algorithms associated with different averaging methods associated with a frequency domain.The method of claim 16, wherein the information regarding the reference encoder or the reference decoder includes a structure for the reference encoder that is compatible with a plurality of pre-processing methods including the one or more pre-processing methods, wherein the structure is associated with one of:a multi-layer perceptron (MLP) with a sub-band processing layer;a MLP-mixer that performs processing over ports and sub-bands;a transformer-based encoder; ora convolutional neural network-based encoder that has port and sub-band processing.A computer-readable medium storing computer executable code at a first device associated with a user equipment (UE) , the code when executed by a processor causes the processor to:receive information regarding a reference encoder or a reference decoder, wherein the reference encoder or the reference decoder is associated with channel state information (CSI) compression and is associated with a training dataset based on one or more pre-processing methods;perform the CSI compression using an encoder based on the received information; andtransmit based on the CSI compression, compressed CSI.

Images