Methods of artificial intelligence / machine learning model monitoring, user equipment, and network

Abstract

Methods of artificial intelligence / machine learning (AI / ML) model monitoring, a user equipment (UE), and a network are disclosed. The method of AI / ML model monitoring performed by the UE includes performing model inference to acquire top-K beams, wherein K is greater than or equal to 1, transmitting, to a network, a top-K beam report based on the model inference, receiving a report configuration of a top K-beam sweeping from the network, determining a channel state information (CSI) report of the top-K beams based on the report configuration of the top-K beam sweeping, wherein the CSI report of the top-K beams comprises a performance monitoring-related information, and transmitting the CSI report of the top-K beams to the network.

Description

METHODS OF ARTIFICIAL INTELLIGENCE / MACHINE LEARNING MODEL MONITORING, USER EQUIPMENT, AND NETWORKTECHNICAL FIELD

[0001] The present disclosure relates to the field of communication systems, and more particularly, to methods of artificial intelligence / machine learning (AI / ML) model monitoring, a user equipment (UE) , and a network.BACKGROUND

[0002] In current wireless communication systems, beamforming technology is widely utilized to improve transmission efficiency and coverage. However, ensuring accurate beam prediction, particularly in multi-beam scenarios, has become a significant challenge. During the 3GPP RAN1 meeting, the multi-beam sweeping mechanism has been proposed to address this challenge. Studies have shown that performing a second-round beam sweeping on the predicted beams can improve beam prediction accuracy. However, this improvement comes at the cost of additional reference signal (RS) measurement overhead and increased sweeping delay. Therefore, a technical challenge in beam management for wireless communication systems lies in balancing beam prediction accuracy with reducing RS measurement overhead and sweeping delay.

[0003] Therefore, there is a need for methods of artificial intelligence / machine learning (AI / ML) model monitoring, a user equipment (UE) , and a network.SUMMARY

[0004] An object of the present disclosure is to propose methods of artificial intelligence / machine learning (AI / ML) model monitoring, a user equipment (UE) , and a network, which can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring.

[0005] In a first aspect of the present disclosure, a method of artificial intelligence / machine learning (AI / ML) model monitoring performed by a user equipment (UE) , includes performing model inference to acquire top-K beams, wherein K is greater than or equal to 1, transmitting, to a network, a top-K beam report based on the model inference, receiving a report configuration of a top K-beam sweeping from the network, determining a channel state information (CSI) report of the top-K beams based on the report configuration of the top-K beam sweeping, wherein the CSI report of the top-K beams comprises a performance monitoring-related information, and transmitting the CSI report of the top-K beams to the network

[0006] In a second aspect of the present disclosure, a method of artificial intelligence / machine learning (AI / ML) model monitoring performed by a network, includes receiving a top-K beam report from a user equipment (UE) , wherein K is greater than or equal to 1, transmitting, to the UE, a report configuration of a top K-beam sweeping, and receiving a channel state information (CSI) report of the top-K beams from the UE, wherein the CSI report of the top-K beams comprises a performance monitoring-related information.

[0007] In a third aspect of the present disclosure, a UE includes a memory, a transceiver, and a processor coupled to the memory and the transceiver. The UE is configured to perform the above method.

[0008] In a fourth aspect of the present disclosure, a network includes a memory, a transceiver, and a processor coupled to the memory and the transceiver. The network is configured to perform the above method.

[0009] In a fifth aspect of the present disclosure, a non-transitory machine-readable storage medium has stored thereon instructions that, when executed by a computer, cause the computer to perform the above method.

[0010] In a sixth aspect of the present disclosure, a chip includes a processor, configured to call and run a computer program stored in a memory, to cause a device in which the chip is installed to execute the above method.

[0011] In a seventh aspect of the present disclosure, a computer readable storage medium, in which a computer program is stored, causes a computer to execute the above method.

[0012] In an eighth aspect of the present disclosure, a computer program product includes a computer program, and the computer program causes a computer to execute the above method.

[0013] In a ninth aspect of the present disclosure, a computer program causes a computer to execute the above method.BRIEF DESCRIPTION OF DRAWINGS

[0014] In order to illustrate the embodiments of the present disclosure or related art more clearly, the following figures will be described in the embodiments are briefly introduced. It is obvious that the drawings are merely some embodiments of the present disclosure, a person having ordinary skill in this field can obtain other figures according to these figures without paying the premise.

[0015] FIG. 1 is a block diagram of one or more user equipments (UEs) and a network of communication in a communication network system according to an embodiment of the present disclosure.

[0016] FIG. 2 is a block diagram of a UE according to an embodiment of the present disclosure.

[0017] FIG. 3 is a flowchart illustrating method of artificial intelligence / machine learning (AI / ML) model monitoring performed by a UE according to an embodiment of the present disclosure.

[0018] FIG. 4 is a block diagram of a network according to an embodiment of the present disclosure.

[0019] FIG. 5 is a flowchart illustrating a method of AI / ML model monitoring performed by a network according to an embodiment of the present disclosure.

[0020]

[0021] FIG. 6 is a flowchart illustrating Top-K beam reporting and related performance monitoring procedures according to an embodiment of the present disclosure.

[0022] FIG. 7 is a flowchart illustrating a life cycle management (LCM) of AI / ML model according to an embodiment of the present disclosure.

[0023] FIG. 8 is a block diagram illustrating a dual-functional report structure according to an embodiment of the present disclosure.

[0024] FIG. 9 is a schematic diagram illustrating an intermittent activation of dual-functional report according to an embodiment of the present disclosure.

[0025] FIG. 10 is a flowchart illustrating a half-way report scheme for beam management (BM) -Case2 according to an embodiment of the present disclosure.

[0026] FIG. 11 is a flowchart illustrating that a Top-K beam sweeping report triggers model monitoring according to an embodiment of the present disclosure.

[0027] FIG. 12 is a flowchart illustrating that a Top-K beam sweeping report triggers fallback according to an embodiment of the present disclosure.

[0028] FIG. 13 is a flowchart illustrating that a Top-K beam sweeping report triggers model monitoring according to an embodiment of the present disclosure.

[0029] FIG. 14 is a flowchart illustrating that a UE initializes monitoring based on Top-K beam sweeping according to an embodiment of the present disclosure.

[0030] FIG. 15 is a flowchart illustrating that a network configures monitoring based on Top-K beam sweeping t according to an embodiment of the present disclosure.

[0031] FIG. 16 is a block diagram illustrating a modified medium access control-control element (MAC-CE) for Top-K beam report according to an embodiment of the present disclosure.

[0032] FIG. 17 is a block diagram illustrating a modified MAC-CE for Top-K beam report according to an embodiment of the present disclosure.

[0033] FIG. 18 is a block diagram illustrating a modified MAC-CE for Top-K beam report according to an embodiment of the present disclosure.

[0034] FIG. 19 is a block diagram of an example of a computing device according to an embodiment of the present disclosure.

[0035] FIG. 20 is a block diagram of a communication system according to an embodiment of the present disclosure.DETAILED DESCRIPTION OF EMBODIMENTS

[0036] Embodiments of the present disclosure are described in detail with the technical matters, structural features, achieved objects, and effects with reference to the accompanying drawings as follows. Specifically, the terminologies in the embodiments of the present disclosure are merely for describing the purpose of the certain embodiment, but not to limit the disclosure.

[0037] The technical solutions of the embodiments of the present disclosure can be applied to various communication systems, such as a global system of mobile communication (GSM) system, a code division multiple access (CDMA) system, a wideband code division multiple access (WCDMA) system, a general packet radio service (GPRS) , a long term evolution (LTE) system, a LTE frequency division duplex (FDD) system, a LTE time division duplex (TDD) system, an advanced long term evolution (LTE-A) system, a new radio (NR) system, an evolution system of a NR system, a LTE-based access to unlicensed spectrum (LTE-U) system, a NR-based access to unlicensed spectrum (NR-U) system, an universal mobile telecommunication system (UMTS) , a global interoperability for microwave access (WiMAX) communication system, wireless local area networks (WLAN) , wireless fidelity (Wi-Fi) , a future 5th generation (5G) system (may also be called a new radio (NR) system) , a 6G system or other communication systems, etc.

[0038] Optionally, a network such as a base station mentioned in the embodiments of the present application can provide a communication coverage for a specific geographic area and can communicate with a user equipment (UE) located in the coverage area. Optionally, the base station may be a gNB, a base transceiver station (BTS) in the GSM or in the CDMA system, or may be a NodeB (NB) in the WCDMA system, or may be an evolutional Node B (eNB or eNodeB) in the LTE system, or a radio controller in a cloud radio access network (CRAN) .

[0039] A user equipment (UE) may refer to an access terminal, a subscriber unit, a subscriber station, a mobile station, a remote station, a remote terminal, a mobile device, a user terminal, a terminal, a wireless communication device, a user agent, or a user device. The access terminal may be a cellular radio telephone, a cordless telephone, a session initiation protocol (SIP) telephone, a wireless local loop (WLL) station, a personal digital assistant (PDA) , a handheld device with wireless communication functions, a computing device, other processing devices coupled with a wireless modem, an in-vehicle device, a wearable device, a terminal device in a future 5G network, a terminal device in a future evolved public land mobile network (PLMN) , etc.

[0040] Optionally, the communication system in the embodiment of the present application may be applied to an unlicensed spectrum, where the unlicensed spectrum may also be considered as a shared spectrum; or the communication system in the embodiment of the present application may also be applied to a licensed spectrum, where the licensed spectrum can also be considered an unshared spectrum.

[0041] The study item (SI) study on artificial intelligence (AI)  / machine learning (ML) for new radio (NR) air interface explores benefits of augmenting the air-interface with features enabling improved support of AI / ML. The central objective of this project is to study 3rd generation partnership project (3GPP) framework for AI / ML for air-interface corresponding to each target use case regarding aspects such as performance, complexity, and potential specification impact.

[0042] Studies have shown that performing a second-round beam sweeping on predicted Top-K beams can improve beam prediction accuracy. However, this improvement comes at the cost of additional reference signal (RS) measurement overhead and increased sweeping delay. Different companies have expressed varied opinions regarding this issue. Some companies emphasize that Top-K beam sweeping is essential to achieve satisfactory prediction accuracy, especially in scenarios involving multi-time instance predictions. Conversely, other companies argue that the additional second-round beam sweeping diminishes the practicality of predicting multiple future time instances due to increased overhead. In beam management (BM) -Case1, where only one beam (Top-K=1) is predicted, performance monitoring can be performed directly after model inference, making the process relatively straightforward. However, in BM-Case2, where multiple beams (Top-K>1) are predicted, verifying all predicted beams across multiple future time slots requires multiple beam sweeping procedures, thereby increasing system overhead and latency. Therefore, a technical challenge in beam management for wireless communication systems lies in balancing beam prediction accuracy with reducing reference signal (RS) measurement overhead and sweeping delay. Further optimization of signaling mechanisms and measurement methods is essential to enable an efficient and low-overhead beam selection process while maintaining high prediction accuracy.

[0043] In the above, there are some issues as follows.

[0044] Overall Issue: The overall issue is structured as follows, where two main issues need to be addressed to enable Top-K beam sweeping to be introduced in an energy-efficient manner. In general, Top-K beam sweeping is similar to a legacy P2 beam sweeping in which a UE is fixed to one receive (Rx) beam to calculate a reference signal received power (RSRP) measured from different transmit (Tx) beams selected from the Top-K beams. Therefore, a channel state information (CSI) report configuration framework used for legacy beam management can be reused. However, if Top-K beam sweeping is applied during the model inference stage, the ground-truth measurements of the Top-K beams may need to be obtained from an aperiodic CSI resource set and reported to a base station such as gNB. Additionally, as per the agreement reached in RAN1 meeting, these ground-truth measurements are also required for model monitoring. This opens the possibility of reusing the results of Top-K beam sweeping for monitoring purposes or, even further, considering an integrated process that covers both inference and model monitoring to reduce overhead and complexity. The impact of introducing Top-K beam sweeping on model inference and monitoring procedures can be summarized as follows, with the corresponding procedure changes: 1. New configuration and reporting method for the Top-K beam quality report. 2. New method to reuse the Top-K beam measurement report for performance monitoring.

[0045] Issue 1: How to configure the Top-K beam sweep to facilitate both inference and monitoring?

[0046] To alleviate the burden of beam sweeping, improvements can be made to the CSI report for Top-K beams by integrating performance-monitoring-related information to facilitate performance monitoring. Unlike existing solutions that rely on dedicated measurements for monitoring, some embodiments propose reusing the Top-K beam sweeping results for model monitoring to reduce signaling overhead. This approach introduces a different CSI configuration for the proposed dual-functional report.

[0047] Issue 2: How to reuse the Top-K beam sweeping results for monitoring?

[0048] Issue #2-1: Whether / how to use the Top-K beam sweeping to trigger performance monitoring?

[0049] This issue arises from the case where model inference and monitoring are two independent processes. In general, model monitoring can be either an always-on process or a configured / triggered process, which perform measurements on periodic and aperiodic CSI resource sets, respectively. The challenges associated with the two approaches are as follows: 1. Periodic Monitoring: The always-on monitoring provides timely reactions to model failures. However, it incurs significant overhead due to continuous measurements on periodic CSI resource sets. Additionally, if network-side model monitoring is adopted, it introduces further CSI reporting overhead. Top-K beam sweeping does not impact periodic monitoring. 2. Aperiodic Monitoring: The main advantage of configured / triggered monitoring is its lower overhead compared to always-on monitoring. However, it sacrifices the ability to rapidly respond to model failures. Therefore, efficiently triggering the aperiodic monitoring process to balance overhead and performance becomes a critical challenge. Top-K beam sweeping can trigger aperiodic monitoring. By reusing the Top-K beam sweeping results, the data collection overhead for monitoring can be reduced. Unlike existing solutions that rely on dedicated measurements for monitoring, which introduce additional overhead, some embodiments propose that the Top-K beam sweeping results can serve as a parameter to trigger model monitoring. Although model inference and monitoring processes are assumed to be independent in this case, they can still be configured to share the same CSI resource set for measurement. For instance, if the CSI resource set for monitoring includes Set A, which corresponds to the predicted beam set used in model inference, then the Top-K beam sweeping results, which form a subset of Set A, are already obtained by the network. During the subsequent monitoring process, the UE can measure and report results only from resources outside the Top-K beams, thereby reducing overall overhead. Prior art lacks such considerations.

[0050] Issue #2-2: Whether / how to use the Top-K beam sweeping as performance monitoring?

[0051] In another scenario where model monitoring is dependent on inference, i.e., the monitoring process starts only after a model is activated for inference, the two processes can be integrated to reduce overhead. In this integrated inference and monitoring process, the Top-K beam sweeping results are treated as instantaneous or short-term measurements from the perspective of model monitoring. This can be expanded into a “reduced-capability” model monitoring. Upon receiving the Top-K beam sweeping results, the network needs to determine the subsequent steps, such as fallback, initiating a full-step monitoring, or other actions. This raises the question: Given the Top-K beam results, what are the possible UE behaviors, and how should they be configured? To address the issues highlighted in the Patentability Search Report, the model performance monitoring in this disclosure can be categorized into two types: 1. Legacy Monitoring: An independent monitoring process where resource and report configurations are separately defined. 2. “Reduced-Capability” Model Performance Monitoring: This new mechanism, proposed in this disclosure, integrates monitoring with model inference. Here, the resource and report configurations are incorporated within the model inference framework, using specific IEs, MAC-CE, or DCI formats. The purpose of this design is to reduce the complexity and overhead of independent monitoring by sharing both the measurement resources and reports. As a result of the aforementioned UE behaviors, a series of procedures and signaling related to resource configuration, indication, and reporting need to be introduced. However, the prior art lacks discussions on these critical issues.

[0052] Some embodiments of the present disclosure relate to AI / ML model monitoring for beam management (BM) and, more specifically, to a unified framework that leverages parameters obtained during the model inference stage to reduce the burden of model monitoring. Some embodiments of the present disclosure address both the processing procedure design and the associated configuration signaling, making it applicable to any AI / ML-based communication system. It can be implemented as a hardware or software module in both the network and the user equipment (UE) . Some embodiments of the present disclosure provide methods to reduce the overhead of model monitoring by utilizing the Top-K beam sweeping results obtained during model inference. In the case of independent model monitoring, the Top-K beam sweeping can alleviate reporting overhead and trigger the monitoring process. In the case of integrated inference and monitoring, the Top-K beam sweeping serves as a valuable intermediate parameter, unifying the CSI measurement framework for both model inference and monitoring. The primary contribution of some embodiments is the development of a systematic solution that links Top-K beam sweeping to performance monitoring, thereby reducing the overall overhead during model inference and monitoring. By reusing the Top-K beam sweeping results from the model inference stage, some embodiments reduce overhead and, further, enable a ‘reduced-capability’ model monitoring process capable of providing real-time detection of model failures. The benefits of the proposed method in some embodiments may include: 1. Designing a dual-functional report and corresponding procedures for Top-K beam sweeping to facilitate both model inference and monitoring. 2. Developing a report structure that serves as an intermediate parameter influencing UE behavior, such as triggering performance monitoring events or directly initiating model switching or fallback.

[0053] FIG. 1 illustrates that, in some embodiments, one or more user equipments (UEs) 10 and a network 20 such as a base station (e.g., next generation NodeB (gNB) or eNB) of communication in a communication network system 30 (e.g., an NR system) according to an embodiment of the present disclosure are provided. The communication network system 30 includes the one or more UEs 10 and the network 20. The one or more UEs 10 may include a memory 12, a transceiver 13, and a processor 11 coupled to the memory 12 and the transceiver 13. The network 20 may include a memory 22, a transceiver 23, and a processor 21 coupled to the memory 22 and the transceiver 23. The processor 11 or 21 may be configured to implement proposed functions, procedures and / or methods described in this description. Layers of radio interface protocol may be implemented in the processor 11 or 21. The memory 12 or 22 is operatively coupled with the processor 11 or 21 and stores a variety of information to operate the processor 11 or 21. The transceiver 13 or 23 is operatively coupled with the processor 11 or 21, and the transceiver 13 or 23 transmits and / or receives a radio signal.

[0054] The processor 11 or 21 may include application-specific integrated circuit (ASIC) , other chipset, logic circuit and / or data processing device. The memory 12 or 22 may include read-only memory (ROM) , random access memory (RAM) , flash memory, memory card, storage medium and / or other storage device. The transceiver 13 or 23 may include baseband circuitry to process radio frequency signals. When the embodiments are implemented in software, the techniques described herein can be implemented with modules (e.g., procedures, functions, and so on) that perform the functions described herein. The modules can be stored in the memory 12 or 22 and executed by the processor 11 or 21. The memory 12 or 22 can be implemented within the processor 11 or 21 or external to the processor 11 or 21 in which case those can be communicatively coupled to the processor 11 or 21 via various means as is known in the art.

[0055] In some embodiments, the processor 11 is configured to perform model inference to acquire top-K beams, wherein K is greater than or equal to 1, the transceiver 13 is configured to transmit, to a network, a top-K beam report based on the model inference; receiving a report configuration of a top K-beam sweeping from the network, the processor 11 is configured to determine a channel state information (CSI) report of the top-K beams based on the report configuration of the top-K beam sweeping, wherein the CSI report of the top-K beams comprises a performance monitoring-related information, and the transceiver 13 is configured to transmit the CSI report of the top-K beams to the network. This can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring. For example, the performance monitoring-related may be direct used for performance monitoring. For example, the performance monitoring-related may be used for calculating the metric, but only acts as the trigger.

[0056] In some embodiments, the transceiver 23 is configured to receive a top-K beam report from the UE 10, wherein K is greater than or equal to 1, the transceiver 23 is configured to transmit, to the UE 10, a report configuration of a top K-beam sweeping, and the transceiver 23 is configured to receive a channel state information (CSI) report of the top-K beams from the UE, wherein the CSI report of the top-K beams comprises a performance monitoring-related information. This can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring. For example, the performance monitoring-related may be direct used for performance monitoring. For example, the performance monitoring-related may be used for calculating the metric, but only acts as the trigger.

[0057] FIG. 2 illustrates an example of a UE 200 according to an embodiment of the present disclosure. The UE 200 is configured to implement some embodiments of the disclosure. Some embodiments of the disclosure may be implemented into the UE 200 using any suitably configured hardware and / or software. The UE 200 may include a memory 201, a transceiver 202, and a processor 203 coupled to the memory 201 and the transceiver 202. The processor 203 may be configured to implement proposed functions, procedures and / or methods described in this description. Layers of radio interface protocol may be implemented in the processor 203. The memory 201 is operatively coupled with the processor 203 and stores a variety of information to operate the processor 203. The transceiver 202 is operatively coupled with the processor 203, and the transceiver 202 transmits and / or receives a radio signal. The processor 203 may include application-specific integrated circuit (ASIC) , other chipset, logic circuit and / or data processing device. The memory 201 may include read-only memory (ROM) , random access memory (RAM) , flash memory, memory card, storage medium and / or other storage device. The transceiver 202 may include baseband circuitry to process radio frequency signals. When the embodiments are implemented in software, the techniques described herein can be implemented with modules (e.g., procedures, functions, and so on) that perform the functions described herein. The modules can be stored in the memory 201 and executed by the processor 203. The memory 201 can be implemented within the processor 203 or external to the processor 203 in which case those can be communicatively coupled to the processor 203 via various means as is known in the art.

[0058] In some embodiments, the processor 203 is configured to perform model inference to acquire top-K beams, wherein K is greater than or equal to 1, the transceiver 202 is configured to transmit, to a network, a top-K beam report based on the model inference, the transceiver 202 is configured to receive a report configuration of a top K-beam sweeping from the network, the processor 203 is configured to determine a channel state information (CSI) report of the top-K beams based on the report configuration of the top-K beam sweeping, wherein the CSI report of the top-K beams comprises a performance monitoring-related information, and the transceiver 202 is configured to transmit the CSI report of the top-K beams to the network. This can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring. For example, the performance monitoring-related may be direct used for performance monitoring. For example, the performance monitoring-related may be used for calculating the metric, but only acts as the trigger.

[0059] FIG. 3 is an example of a method 300 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a UE according to an embodiment of the present disclosure. The method 300 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a UE is configured to implement some embodiments of the disclosure. Some embodiments of the disclosure may be implemented into the method 300 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a UE using any suitably configured hardware and / or software. In some embodiments, the method 300 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a UE includes: an operation 302, performing model inference to acquire top-K beams, wherein K is greater than or equal to 1, an operation 304, transmitting, to a network, a top-K beam report based on the model inference, an operation 306, receiving a report configuration of a top K-beam sweeping from the network, an operation 308, determining a channel state information (CSI) report of the top-K beams based on the report configuration of the top-K beam sweeping, wherein the CSI report of the top-K beams comprises a performance monitoring-related information, and an operation 310, transmitting the CSI report of the top-K beams to the network. This can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring. For example, the performance monitoring-related may be direct used for performance monitoring. For example, the performance monitoring-related may be used for calculating the metric, but only acts as the trigger.

[0060] Some embodiments of this disclosure focuse on enhancing beam sweeping and reporting mechanisms in wireless communication systems using AI / ML-based model inference and performance monitoring techniques. The embodiments introduce configurations for top-K beam sweeping reports, leveraging CSI measurement configurations, DCI, MAC-CE, and RRC signaling to activate inference and monitoring processes. By integrating dual-functional reports, these methods enable efficient model inference while ensuring robust performance monitoring. The system addresses scenarios involving beam errors, RSRP differences, and ranking discrepancies, facilitating adaptive configurations for seamless communication.

[0061] In some embodiments, the report configuration of the top-K beam sweeping is activated by at least one of followings: a field in a CSI measurement configuration, a downlink control information (DCI) , a medium access control-control element (MAC-CE) , and / or an indication. In some embodiments, the DCI comprises a DCI format 0_1 a DCI format 0_2, or a DCI format 0_x. In some embodiments, the DCI comprises a first field, the first field is used for CSI request monitoring and inference (MI) , and the first field comprises  bits, where K is determined in the report configuration of the top-K beam sweeping for model inference. In some embodiments, the DCI comprises a first field, the first field is used for report type indicator, and the first field comprises 1 bit. In some embodiments, the DCI comprises a first field, the first field is used for identifier for DCI formats, and the first field comprises 2 bits.

[0062] In some embodiments, a CRC scrambling of the DCI comprises at least one of followings: a semi-persistent channel state information radio network temporary identifier (SP-CSI-RNTI)  / cell radio network temporary identifier (C-RNTI) combined with a predefined constant, a SP-CSI-RNTI / C-RNTI combined with an AI-related identifier (ID) , and / or an AI-RNTI. In some embodiments, the MAC-CE comprise a 1-bit field or a 2-bit field occupying reserved bits for monitoring. In some embodiments, the indication is indicated by a radio resource control (RRC) signaling, or the indication is configured by the RRC signaling and indicated by the DCI, or the indication is configured by the RRC signaling and indicated by the MAC CE.

[0063] In some embodiments, the CSI report of the top K beams comprises a dual-functional report, the dual-functional report comprises a first function area and a second function area, the first function area corresponds to a model inference, and the second function area corresponds to a model performance monitoring. In some embodiments, the first function area indicates that a best beam among the top K beams has been confirmed. In some embodiments, the second function area indicates an assistance information of the model performance monitoring and / or an event triggering the model performance monitoring. In some embodiments, the assistance information of the model performance monitoring comprises at least one of followings: a beam ranking, a beam ranking error, a reference signal received power (RSRP) difference, a RSRP error ratio, and / or a probability error.

[0064] In some embodiments, during beam sweeping and beam reporting across all predicted N time instances, the UE determines whether a break condition is satisfied, and if yes, skips remaining sweeping and reporting and proceeds to a model performance monitoring, where N is greater than 1. In some embodiments, the break condition comprises at least one of followings: a statistical analysis of beam error meeting a preset condition, a statistical analysis of predicted value error meeting a preset condition, a network indication to stop sweeping, and / or a network indication providing a value L, where L < N. In some embodiments, the method of AI / ML model monitoring further comprises receiving a monitoring report configuration from the network, wherein the monitoring report configuration comprises a monitoring trigger and / or a monitoring resource configuration.

[0065] In some embodiments, if a mean RSRP difference between a measured beam and a predicted beam exceeds a pre-defined threshold, the UE initiates an independent model performance monitoring based on a network-triggered configuration and utilizes a configured resource set for monitoring and generating a corresponding report. In some embodiments, if a smallest RSRP difference between predicted best beams and corresponding measurements exceeds a pre-defined threshold, or if a resource for model performance monitoring is not available, a beam sweeping is performed without an independent model monitoring. In some embodiments, if a mean RSRP difference between a measured beam and a predicted beam is less than a pre-defined threshold but a measured top-K beam ranking differs from a predicted ranking, another inference occasion is initiated using a same model or a different model for re-inference.

[0066] In some embodiments, the method of AI / ML model monitoring further comprises performing data collection for monitoring based on the monitoring report configuration. In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a network side monitoring. In some embodiments, the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and performing the model performance monitoring by the UE comprises at least one of followings: comparing, by the UE, a buffered layer 1 reference signal received power (L1-RSRP) or a ranking of predicted beams, and / or transmitting, by the UE, a triggering signal to the network within the CSI report of the top K beams if a best beam is different and / or a ranking difference exceeds a pre-defined threshold.

[0067] In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a UE side monitoring. In some embodiments, the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and performing the model performance monitoring by the UE comprises at least one of followings: calculating, by the UE, an assistance information, reporting, by the UE, a monitoring request to the network within the CSI report of the top K beams, and / or receiving, by the UE, an indication from the network to trigger the model performance monitoring based on a decision of the network for the model performance monitoring. In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is a network configuration and is related to a network side monitoring. In some embodiments, the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and performing the model performance monitoring by the UE comprises at least one of followings: collecting, by the UE, an assistance information, and / or reporting, by the UE, the assistance information to the network, wherein the assistance information is used to determine to trigger the model performance monitoring if a best beam is different or a ranking difference exceeds a pre-defined threshold.

[0068] In some embodiments, the model performance monitoring is a network configuration and is related to a UE side monitoring. In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, and performing the model performance monitoring by the UE comprises at least one of followings: calculating, by the UE, an assistance information, and / or reporting, by the UE, the assistance information to the network, wherein the assistance information is used to determine to trigger the model performance monitoring.

[0069] The proposed embodiments provide a comprehensive framework for managing top-K beam sweeping and model performance monitoring in wireless networks. Through adaptive configurations, the system supports both inference and monitoring, allowing real-time adjustments based on beam errors, RSRP differences, or ranking deviations. Innovations include dual-functional CSI reports, dynamic resource allocation, and event-triggered monitoring to address diverse network scenarios.

[0070] FIG. 4 illustrates an example of a base station 400 according to an embodiment of the present disclosure. The base station 400 is configured to implement some embodiments of the disclosure. Some embodiments of the disclosure may be implemented into the base station 400 using any suitably configured hardware and / or software. The base station 400 may include a memory 401, a transceiver 402, and a processor 403 coupled to the memory 401 and the transceiver 402. The processor 403 may be configured to implement proposed functions, procedures and / or methods described in this description. Layers of radio interface protocol may be implemented in the processor 403. The memory 401 is operatively coupled with the processor 403 and stores a variety of information to operate the processor 403. The transceiver 402 is operatively coupled with the processor 403, and the transceiver 402 transmits and / or receives a radio signal. The processor 403 may include application-specific integrated circuit (ASIC) , other chipset, logic circuit and / or data processing device. The memory 401 may include read-only memory (ROM) , random access memory (RAM) , flash memory, memory card, storage medium and / or other storage device. The transceiver 402 may include baseband circuitry to process radio frequency signals. When the embodiments are implemented in software, the techniques described herein can be implemented with modules (e.g., procedures, functions, and so on) that perform the functions described herein. The modules can be stored in the memory 401 and executed by the processor 403. The memory 401 can be implemented within the processor 403 or external to the processor 403 in which case those can be communicatively coupled to the processor 403 via various means as is known in the art.

[0071] In some embodiments, the transceiver 402 is configured to receive a top-K beam report from a user equipment (UE) , wherein K is greater than or equal to 1, the transceiver 402 is configured to transmit, to the UE, a report configuration of a top K-beam sweeping, and the transceiver 402 is configured to receive a channel state information (CSI) report of the top-K beams from the UE, wherein the CSI report of the top-K beams comprises a performance monitoring-related information. This can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring.

[0072] FIG. 5 is an example of a method 500 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a network according to an embodiment of the present disclosure. The method 500 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a network is configured to implement some embodiments of the disclosure. Some embodiments of the disclosure may be implemented into the method 500 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a network using any suitably configured hardware and / or software. In some embodiments, the method 500 of artificial intelligence / machine learning (AI / ML) model monitoring performed by a network includes: an operation 502, receiving a top-K beam report from a user equipment (UE) , wherein K is greater than or equal to 1, an operation 504, transmitting, to the UE, a report configuration of a top K-beam sweeping, and an operation 506, receiving a channel state information (CSI) report of the top-K beams from the UE, wherein the CSI report of the top-K beams comprises a performance monitoring-related information. This can solve issues in the prior art and other issues, provide AI / ML based beam management, and / or reduce an overhead during model inference and monitoring. For example, the performance monitoring-related may be direct used for performance monitoring. For example, the performance monitoring-related may be used for calculating the metric, but only acts as the trigger.

[0073] Some embodiments of this disclosure present innovative methods for configuring and managing top-K beam sweeping and model performance monitoring in wireless communication systems. By incorporating advanced AI / ML techniques, the proposed embodiments enable dual-functional CSI reports for both inference and monitoring purposes. Features include flexible activation mechanisms using CSI measurement configurations, DCI, MAC-CE, and RRC signaling, as well as adaptive handling of beam ranking, RSRP differences, and statistical error analyses. These methods aim to enhance the precision and efficiency of beam reporting while supporting dynamic network and user equipment (UE) monitoring requirements.

[0074] In some embodiments, the report configuration of the top-K beam sweeping is activated by at least one of followings: a field in a CSI measurement configuration, a downlink control information (DCI) , a medium access control-control element (MAC-CE) , and / or an indication. In some embodiments, the DCI comprises a DCI format 0_1 a DCI format 0_2, or a DCI format 0_x. In some embodiments, the DCI comprises a first field, the first field is used for CSI request monitoring and inference (MI) , and the first field comprises  bits, where K is determined in the report configuration of the top-K beam sweeping for model inference. In some embodiments, the DCI comprises a first field, the first field is used for report type indicator, and the first field comprises 1 bit. In some embodiments, the DCI comprises a first field, the first field is used for identifier for DCI formats, and the first field comprises 2 bits. In some embodiments, a CRC scrambling of the DCI comprises at least one of followings: a semi-persistent channel state information radio network temporary identifier (SP-CSI-RNTI)  / cell radio network temporary identifier (C-RNTI) combined with a predefined constant, a SP-CSI-RNTI / C-RNTI combined with an AI-related identifier (ID) , and / or an AI-RNTI.

[0075] In some embodiments, the MAC-CE comprise a 1-bit field or a 2-bit field occupying reserved bits for monitoring. In some embodiments, the indication is indicated by a radio resource control (RRC) signaling, or the indication is configured by the RRC signaling and indicated by the DCI, or the indication is configured by the RRC signaling and indicated by the MAC CE. In some embodiments, the CSI report of the top K beams comprises a dual-functional report, the dual-functional report comprises a first function area and a second function area, the first function area corresponds to a model inference, and the second function area corresponds to a model performance monitoring. In some embodiments, the first function area indicates that a best beam among the top K beams has been confirmed. In some embodiments, the second function area indicates an assistance information of the model performance monitoring and / or an event triggering the model performance monitoring. In some embodiments, the assistance information of the model performance monitoring comprises at least one of followings: a beam ranking, a beam ranking error, a reference signal received power (RSRP) difference, a RSRP error ratio, and / or a probability error.

[0076] In some embodiments, during beam sweeping and beam reporting across all predicted N time instances, if a break condition is satisfied, remaining sweeping and reporting is skipped, and a model performance monitoring is proceeded, where N is greater than 1. In some embodiments, the break condition comprises at least one of followings: a statistical analysis of beam error meeting a preset condition, a statistical analysis of predicted value error meeting a preset condition, a network indication to stop sweeping, and / or a network indication providing a value L, where L < N. In some embodiments, the method of AI / ML model monitoring further comprises transmitting, to the UE, a monitoring report configuration, wherein the monitoring report configuration comprises a monitoring trigger and / or a monitoring resource configuration.

[0077] In some embodiments, if a mean RSRP difference between a measured beam and a predicted beam exceeds a pre-defined threshold, an independent model performance monitoring based on a network-triggered configuration is initiated and a configured resource set is used for monitoring and generating a corresponding report. In some embodiments, if a smallest RSRP difference between predicted best beams and corresponding measurements exceeds a pre-defined threshold, or if a resource for model performance monitoring is not available, a beam sweeping is performed without an independent model monitoring. In some embodiments, if a mean RSRP difference between a measured beam and a predicted beam is less than a pre-defined threshold but a measured top-K beam ranking differs from a predicted ranking, another inference occasion is initiated using a same model or a different model for re-inference.

[0078] In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a network side monitoring. In some embodiments, the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and the model performance monitoring is performed by comparing a buffered layer 1 reference signal received power (L1-RSRP) or a ranking of predicted beams; and / or receiving, by the network, a triggering signal from the UE within the CSI report of the top K beams if a best beam is different and / or a ranking difference exceeds a pre-defined threshold. In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a UE side monitoring.

[0079] In some embodiments, the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and the model performance monitoring is performed by calculating an assistance information; receiving, by the network, a monitoring request from the UE within the CSI report of the top K beams; and / or transmitting, by the network, an indication to the UE to trigger the model performance monitoring based on a decision of the network for the model performance monitoring. In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is a network configuration and is related to a network side monitoring. In some embodiments, the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and the model performance monitoring is performed by receiving, by the network, the assistance information from the UE, wherein the assistance information is used to determine to trigger the model performance monitoring if a best beam is different or a ranking difference exceeds a pre-defined threshold.

[0080] In some embodiments, the model performance monitoring is a network configuration and is related to a UE side monitoring. In some embodiments, the report configuration of the top K-beam sweeping triggers a model performance monitoring, and the model performance monitoring is performed by receiving, by the network, the assistance information from the UE, wherein the assistance information is used to determine to trigger the model performance monitoring.

[0081] The proposed system integrates AI / ML-based inference and monitoring within a unified framework, facilitating enhanced top-K beam sweeping and performance monitoring. By leveraging dual-functional reports and adaptive configurations, the approach ensures precise beam selection and effective error management. Dynamic mechanisms, such as break condition handling and statistical error triggers, allow real-time adjustments to beam sweeping and monitoring processes.

[0082] In some embodiments, the signal pattern may mean that a signal pattern indicates multiple reference signal resource indexes (RSRIs) , such that “each bit of the signal pattern” may correspond to one RSRI. The signal pattern associated with multiple transmit beam may mean that multiple reference signals are sent on multiple reference signal (RS) resources configured in the signal pattern, and each reference signal uses a beam. In addition, the signal pattern in the form of bitmap may be an indication method of RSRI, and may be limited to the case where the RS is an SSB. The target beam may refer to a qualified beam screened from candidate beams based on a target evaluation parameter of a serving cell. The target beam may further refer to a beam that the switching ends at. Switching may refer to one-way single transfer between two beams. Pre-determined beam may refer to the beam is pre-determinded. “Pre-determinded” can refer to “pre-configured” , “network configured” , “preset” , “pre-defined” , or “pre-defined rules” . “Preset” , “pre-defined” , or “pre-defined rules” may be achieved by pre-storing corresponding codes, tables, or other manners for indicating relevant information in devices (e.g., including a UE and a network device) . The specific implementation is not limited in the present disclosure. For example, “preset” and “pre-defined” may refer to those defined in a protocol. It is also to be understood that in the disclosure, “protocol” may refer to a standard protocol in the field of communication, which may include, for example, an LTE protocol, NR protocol and relevant protocol applied in the future communication system, which is not limited in the present disclosure. The beam management may refer to a series of operation processes of obtaining and managing downlink and uplink transmission and reception of a user by a base station and a user side, and comprises beam selection, beam measurement, beam reporting, beam scanning and the like. Beam management is based on a series of reference signals on which the base station or user uses different transmit or receive beams to effect scanning of the beams. The user or the base station performs measurement based on the scanned beam, further performs a beam selection process, and feeds back the selected result. In details, beam management may refer to a set of layer 1 / layer 2 (L1 / L2) procedures to acquire and maintain a set of transmission / reception point (s) (TRP) and / or UE beams that can be used for DL and UL transmission / reception. Beam management includes various operations or procedures, such as beam determination, beam management, beam reporting, and beam sweeping operations / procedures. Beam determination refers to TRP (s) or UE ability to select of its own transmission / reception (Tx / Rx) beam (s) . Beam measurement refers to TRP or UE ability to measure characteristics of received beamformed signals. Beam reporting refers the UE ability to report information of beamformed signal (s) based on beam measurement. Beam sweeping refers to operation (s) of covering a spatial area, with beams transmitted and / or received during a time interval in a predetermined manner. The target beam may the optimal beam expected, and the beam prediction can directly correspond to the optimal beam. It can also be the relationship (synthesis) between the target beam and pre-determined beams, and in this case, the beams may need to be pre-configured on the UE side and the base station side respectively, such that the other side can obtain the target beam by the weights of these known beams during signaling.

[0083] Furthermore, some embodiments of the present disclosure provide comprehensive solutions to identified issues, illustrating these solutions through detailed embodiments as described herein.

[0084] Overall Solution:

[0085] FIG. 6 is a flowchart illustrating Top-K beam reporting and related performance monitoring procedures according to an embodiment of the present disclosure. The general workflow of the overhead reduced model monitoring is shown in FIG. 6. FIG. 6 illustrates that the Top-K beam reporting and related performance monitoring procedures includes at least one of following steps. 1. A network transmits, to a UE, a UE capability inquiry. 2. The UE transmits, to the network, a UE capability report. 3. The network transmits, to the UE, a CSI resource configuration. 4. The network transmits, to the UE, an inference report configuration. 5. The UE performs measurement and model Inference. 6. The UE transmits, to the network, a Top-K beam report. 7. The network transmits, to the UE, a report configuration for Top-K beam sweep. 8. The network performs Top-K beam Sweeping. 9. The UE performs Top-K beam measurement. 10. The UE transmits, to the network, a CSI report of Top-K beams. 11. The network transmits, to the UE, a monitoring report configuration. The monitoring report configuration may include monitoring trigger and / or monitoring resource configuration. 12. The UE performs data collection for monitoring. 13. The UE transmits, to the network, a performance monitoring report.

[0086] FIG. 7 is a flowchart illustrating the life cycle management (LCM) of an AI / ML model according to an embodiment of the present disclosure. The proposed scheme impacts the LCM procedure, as shown in FIG. 7. In this framework, the management function oversees the operation (e.g., selection, activation / deactivation, switching, fallback) and monitoring (e.g., performance) of AI / ML models or AI / ML functionalities. This function is also responsible for making decisions to ensure proper inference operation based on data received from the Data Collection function and the Inference function. The inference function and the model storage function are two components closely related to the management function. The Inference function provides outputs generated by applying AI / ML models or AI / ML functionalities, while the Model Storage function is responsible for storing trained or updated models that can be used for inference. Notably, in addition to the inference results, assistance information, such as monitoring-related measurements or intermediate parameters, is transmitted from the inference phase to the monitoring phase to support performance monitoring.

[0087] Solution 1: Implicit and Explicit Configuration for Dual-Functional Report.

[0088] FIG. 8 is a block diagram illustrating a dual-functional report structure according to an embodiment of the present disclosure. The dual-functional report for Top-K beam sweeping requires different reporting quantities compared to the legacy CSI report used for beam management (BM) . Therefore, it needs to be distinguished from the legacy report in its configuration. To address this, some embodiments propose both implicit and explicit solutions. The proposed dual-functional report differs from the legacy CSI report, which contains at most four beam identifiers and their corresponding L1-RSRP values, as illustrated in FIG. 8. FIG. 9 is a schematic diagram illustrating an intermittent activation of dual-functional report according to an embodiment of the present disclosure. As the parameters within the dual-functional report may be acquired from multiple rounds of Top-K beam sweeping, the report can be transmitted once for every P instance of Top-K beam sweeping to reduce overhead. For example, when P = 3, the dual-functional report is generated and transmitted after every three Top-K beam sweeping occasions.

[0089] Regarding implicit and explicit configuration for Top-K beam sweeping, there is at least one of the following alternatives.

[0090] Alternative 1: Implicit Configuration: The CSI resource and report configuration can be implicitly delivered through the associated CSI-RS sources or report configurations. For semi-persistent or aperiodic CSI resources, there is at least one of the following options.

[0091] Option 1: Achieved by Introducing New Fields in CSI-MeasConfig: A new trigger state is introduced in CSI-MeasConfig. A new trigger state pool is dedicated for the dual-functional report. A new trigger state list is introduced in CSI-MeasConfig. The new trigger state list IE indicates the use of the dual-functional report.

[0092] Option 2: Configuration Activated by DCI (PUSCH) : Achieved by modifying or adding a field in DCI format 0_1 / 0_2. A one-bit field of “CSI request MI” is added to activate the resource for the dual-functional report. Achieved by defining a new DCI format 0_x. The new DCI format 0_x is defined along with a new CRC scrambling scheme for PDCCH, utilizing an AI-related RNTI or ID to facilitate UE detection of the DCI.

[0093] Option 3: Configuration Activated by MAC-CE (PUCCH) : Achieved by defining a new 16-bit MAC-CE format. A one-bit field occupies the reserved bit to activate the resource for the dual-functional report. A two-bit field occupies the reserved bit to indicate the following: Whether it is a dual-functional report and activates the resource. For monitoring purposes, whether the report contains one-shot or multi-shot measurements or intermediate parameters.

[0094] Alternative 2: Explicit Configuration:

[0095] Option 4: Configuration Activated by Direct Indication: The report quantities are explicitly indicated within the CSI-ReportConfig by adding new options, namely cri-RSRP-MI and ssb-Index-RSRP-MI. Upon receiving these configurations, the UE will generate and report the dual-functional report, which includes the specified quantities. The resource configuration is achieved using a bitmap or index number of the resource ID for Set A or Set B beams, if the resource set of Top-K beams is a subset of Set A or Set B.

[0096] Solution 2: Overhead reduction of the dual-functional report:

[0097] Regarding BM-Case1 and / or BM-Case2, for the overhead reduction of CSI report content, the legacy CSI report for beam management (BM) provides at most four beam identifiers (conveyed by SSBRI / CRI) and the corresponding RSRP values for these beams. In contrast, the dual-functional report delivers additional information for both inference and monitoring. Since model inference performs a first-round screening of candidate beams, i.e., Set A beams, the results are considered more reliable compared to traditional beam sweeping, with a reduced measurement overhead.

[0098] In some embodiments of the present disclosure, the CSI report for Top-K beam sweeping is logically divided into two functional areas, corresponding to the inference and monitoring functionalities: 1. The first functional area corresponds to model inference, where the best beam out of the Top-K beams is confirmed. This area contains the best one or X beam identifier (s) . 2. The second functional area corresponds to performance monitoring, where the necessary information collected through Top-K beam sweeping is conveyed for monitoring purposes. There is at least one of the following alternatives.

[0099] Alt. 1: Direct measurements or intermediate parameters, such as a beam ranking, a beam ranking error, a RSRP difference, a RSRP error ratio, and / or a probability error.

[0100] Alt. 2: Event triggers for monitoring or other behaviors: The event is pre-defined or configured by the network (NW) to the user equipment (UE) . However, for BM-Case2, the process is more complex as the timeline of performance monitoring must be considered to improve efficiency. For example, instead of performing monitoring for all N time instances, some embodiments of the present disclosure can utilize partially N-K time instances for performance monitoring to optimize efficiency.

[0101] Regarding BM-Case2, the Top-K beam sweeping is theoretically applied to all predicted instances, i.e., N Top-K beam sweeping processes before all predicted N time instances. However, this approach introduces significant overhead. To address this, some embodiments of the present disclosure propose a half-way reporting scheme for BM-Case2, where the UE can report the performance monitoring status before completing measurements for all N predicted time instances. The proposed scheme is illustrated and generalized in FIG. 10. FIG. 10 is a flowchart illustrating a half-way report scheme for beam management (BM) -Case2 according to an embodiment of the present disclosure. FIG. 10 illustrates that, in some embodiments, the Top-K beam sweeping for N time instances can stop mid-way if a specific condition is satisfied, indicating that the model is considered to have failed and the remaining predicted time instances are deemed unreliable. The condition, referred to as conditionbreak, can be defined as at least one of following options.

[0102] Option 1: Statistical analysis of beam errors satisfies a certain condition. For example, in L consecutive time instances, the Top-1 beam is incorrectly predicted. Option 2: Statistical analysis of predicted value errors satisfies a certain condition. For example, in L consecutive  time instances, the RSRP difference for the predicted Top-1 beam exceeds a predefined threshold.

[0103] Option 3: An indication is sent from the network (NW) to the user equipment (UE) to stop the Top-K beam sweeping.

[0104] Option 4: A value L < N is sent from the NW to the UE, specifying the number of Top-K beam sweeping measurements to be performed for overhead reduction purposes. The L measurement occasions for Top-K beam sweeping can either be consecutive or sparsely distributed across the N time instances. The CSI report can be triggered once with a specific toffset relative to the reference time, such as the starting time instance of the predicted beams. The configured period can be greater than or equal to the gap between each predicted time instance.

[0105] Similar to previous discussions, the behavior after stopping the Top-K beam sweeping could include fallback to legacy BM, model switching, and / or triggering an independent model monitoring process.

[0106] Solution 3: Network-Configured UE Behavior Upon Receiving the Top-K Beam Sweeping Report:

[0107] Upon receiving the monitoring-related information delivered with the Top-K beam report, the network (NW) determines the appropriate UE behavior based on the provided information. Depending on the specific measurement results, the NW may configure the UE according to at least one of the following options.

[0108] Option 1: Trigger an Independent Performance Monitoring (Applicable to both NW-side and UE-side performance monitoring) : Under certain conditions, either configured by the NW or pre-defined (e.g., the mean RSRP difference between the measured and predicted beams exceeds a pre-defined threshold) , trigger an additional ‘full’ performance monitoring process, as illustrated in FIG. 11. FIG. 11 is a flowchart illustrating that a Top-K beam sweeping report triggers model monitoring according to an embodiment of the present disclosure. FIG. 11 illustrates that, in some examples, an independent NW-side performance monitoring process is triggered, such as long-term or multi-model monitoring. In some examples, a dedicated resource set for monitoring along with corresponding report configurations is configured to support the independent monitoring process after receiving the Top-K beam sweeping report.

[0109] Option 2: Fallback to Legacy Beam Management (BM) : Under certain conditions, such as when the smallest RSRP difference between the predicted best beams and their measurements exceeds a pre-defined threshold, or when the resources for performance monitoring are not yet available, the system can directly fallback to legacy beam sweeping without triggering independent model monitoring. FIG. 12 is a flowchart illustrating that a Top-K beam sweeping report triggers fallback according to an embodiment of the present disclosure. FIG. 12 illustrates that, in some examples, to reduce overhead, the resources for legacy beam sweeping can be associated with the Top-K beams through specific configurations, such as indications via the QCL relationship. In some examples, the resources for legacy beam sweeping can be linked to the Top-K beams by applying a specific offset to the resource ID or beam identifier, with the number of beams to be swept configurable as needed.

[0110] Option 3: Re-Inference:

[0111] FIG. 13 is a flowchart illustrating that a Top-K beam sweeping report triggers model monitoring according to an embodiment of the present disclosure. FIG. 13 illustrates that, in some examples, under specific conditions, such as when the mean RSRP difference between the measured and predicted beams is below a pre-defined threshold but the measured Top-K beam ranking differs from the predicted ranking, initiate another inference occasion using the same or a different model, i.e., re-inference. Additionally, leveraging the measurements obtained from Top-K beam sweeping, a reduced-capability performance monitoring process can be designed with corresponding event definitions. This monitoring process can be either one-shot monitoring, providing a quick assessment, or multi-shot monitoring, offering greater accuracy but requiring a beam repetition design for the Top-K beam sweeping process.

[0112] Solution 4: Top-K Beam Sweeping Results Trigger Model Monitoring:

[0113] The Top-K beam sweeping results can serve as a trigger for independent performance monitoring. There is at least one of following options.

[0114] Option 1: UE-Initiated Monitoring:

[0115] Case 1: NW-Side Performance Monitoring: For NW-side performance monitoring, the monitoring report contains measurement results from the monitoring resources, such as the beam identification and the corresponding L1-RSRP. The NW provides configurations related to both inference and monitoring within the ‘report configuration for Top-K beam sweeping’ . Upon receiving this configuration, the UE compares the buffered L1-RSRP or beam rankings of the predicted beams with those obtained via Top-K beam measurements. FIG. 14 is a flowchart illustrating that a UE initializes monitoring based on Top-K beam sweeping according to an embodiment of the present disclosure. FIG. 14 illustrates that, in some examples, under specific conditions, such as when the best beam differs, or when ranking differences exceed a certain threshold, the UE triggers performance monitoring by sending a triggering signal to the NW within the ‘CSI report of Top-K beams’ , as illustrated in FIG. 14.

[0116] Case 2: UE-Side Performance Monitoring: For UE-side performance monitoring, the monitoring report contains metrics calculated by the UE based on measurement results. Similar to NW-side monitoring, the NW provides configurations related to both inference and monitoring within the ‘report configuration for Top-K beam sweeping’ . Upon receiving this configuration, the UE calculates intermediate parameters (e.g., monitoring metrics for the Top-K beam measurement) and directly reports a monitoring request to the NW within the ‘CSI report of Top-K beams’ , as shown in FIG. 14. Upon receiving this report, the NW decides on model performance monitoring and sends an indication to the UE to trigger the performance monitoring process. In this case, if the predicted Top-K beams are deemed invalid, detailed beam rankings and L1-RSRP may not be reported.

[0117] Option 2: NW-Configured Monitoring:

[0118] Case 1: NW-Side Performance Monitoring: The NW sends configurations for both inference and monitoring within the report configuration for Top-K beam sweeping. Upon receiving this configuration, the UE collects the required information, such as RSRP, beam rankings, probabilities, and other metrics, and reports them to the NW. FIG. 15 is a flowchart illustrating that a network configures monitoring based on Top-K beam sweeping t according to an embodiment of the present disclosure. FIG. 15 illustrates that, in some examples, based on the report, the NW determines whether to initiate the performance monitoring process. Under specific conditions, such as when the best beam differs or ranking differences exceed a certain threshold, the NW triggers performance monitoring, as illustrated in FIG. 15.

[0119] Case 2: UE-Side Performance Monitoring: For UE-side performance monitoring, the monitoring report contains metrics calculated by the UE based on measurement results. Similar to NW-side monitoring, the NW sends configurations for both inference and monitoring within the report configuration for Top-K beam sweeping. Upon receiving this configuration, the UE calculates intermediate parameters, such as monitoring metrics from the Top-K beam measurement. The UE then reports the intermediate parameters (e.g., beam identification, beam ranking, or RSRP / probability error) directly to the NW within the CSI report of Top-K beams. After receiving this report, the NW decides whether to initiate model performance monitoring and sends an indication or configuration to the UE to execute the performance monitoring process.

[0120] To support the proposed features, the triggering condition based on Top-K beam sweeping must be defined. The triggering condition can be categorized as short-term (e.g., instantaneous RSRP or ranking differences of Top-K beams) or long-term (e.g., mean RSRP or ranking differences over multiple measurement occasions or pre-defined events) . For example, an event-triggered performance monitoring based on Top-K beam measurements can be defined as follows: 1. Event Definition: For instance, if during N occasions of Top-K beam sweeping measurements, the number of instances where the mean RSRP or ranking difference exceeds a certain threshold is greater than L, then a model failure event is considered to occur. 2. Dedicated Event Reporting: If the event-triggering approach is adopted, the event report is likely to require dedicated event signaling, as the time required to confirm the event is significantly longer than the period of the Top-K beam measurement. 3. Association with Measurement Configuration: The event-based approach is tied to the periodic or semi-persistent configuration of the Top-K beam measurement. It is important to note that different triggering conditions will result in varying content requirements for the CSI report of Top-K beams or other dedicated reports. A case-by-case discussion of these conditions is provided in the embodiments.

[0121] To support the proposed features, the triggering condition based on the Top-K beam sweeping needs to be defined. The triggering condition can be defined as short term, e.g., instantaneous RSRP or ranking difference of Top-K beams, and long term, e.g., mean RSRP or ranking difference over multiple measurement occasions or pre-defined events, respectively. For example, an event triggered performance monitoring based on the Top-K beam measurement can be defined as the follows.

[0122] The embodiments of the present disclosure will be described in detail below in conjunction with the accompanying drawings, focusing on the technical solutions, structural features, objectives achieved, and effects. Specifically, the terms used in the embodiments of the present disclosure are intended solely to describe certain implementations and are not intended to limit the scope of the present disclosure.

[0123] Embodiment 1: Using DCI to activate the resource of Top-K beam report:

[0124] In this embodiment, some embodiments propose methods to configure Top-K beam sweeping using DCI. The primary distinction between the proposed configuration and the legacy approach lies in the report quantities, which are adapted to enable a dual-functional CSI report for both inference and monitoring. The dual-functional report can be distinguished from the legacy one through at least one of following approaches.

[0125] 1. Implicit Indication by Resource Configuration: For implicit indication, once the specific resource for the dual-functional report is configured, the report quantities are automatically determined.

[0126] 2. Explicit Configuration: For explicit configuration, the report quantities for the dual-functional report are determined via RRC signaling and activated using MAC-CE or DCI, providing greater flexibility.

[0127] This embodiment belongs to the first approach and imposes no restrictions on the CSI resource configuration, meaning that the CSI resource for Top-K beam sweeping does not necessarily need to match Set A or Set B. Additionally, some embodiments propose directly using DCI to activate the Top-K beam report, bypassing the longer activation time required by MAC-CE (e.g., 3ms in the legacy approach) .

[0128] For Top-K beam sweeping, which requires significantly fewer resources (e.g., if no beam repetition is applied, it requires only bits to represent the number of resources) , some embodiments follow the legacy CSI reporting approach. In this approach, the semi-persistent or aperiodic report over PUSCH is triggered by DCI. However, since the dual-functional report includes additional elements for performance monitoring, some embodiments propose the following modifications to the existing configuration.

[0129] Alternative 1: Defining a New Trigger State Using the Legacy DCI Format: Some embodiments can define new trigger states in CSI-MeasConfig (refer to TS 38.331) corresponding to the dual-functional report. For example, some embodiments can define new CSI-SemiPersistentOnPUSCH-TriggerState-MI or CSI-AperiodicTriggerState-MI in the CSI-SemiPersistentOnPUSCH-TriggerStateList and CSI-AperiodicTriggerStateList, where MI stands for monitoring and inference. Once these new states are defined, the dual-functional report can be directly included in the CSI-SemiPersistentOnPUSCH-TriggerStateList or CSI-AperiodicTriggerStateList and triggered using the legacy DCI format 0_1 / 0_2.

[0130] Alternative 2: Defining a New Trigger State List Using a Modified DCI Format: Some embodiments can define new trigger states in CSI-MeasConfig corresponding to the resources for the dual-functional report. For instance, some embodiments can define new CSI-SemiPersistentOnPUSCH-TriggerStateList-MI and CSI-AperiodicTriggerStateList-MI. If these new state lists are defined, the modified DCI format 0_1 / 0_2 can be used to activate the corresponding resources for the dual-functional report. In some examples, the modified DCI format 0_1 / 0_2 is illustrated in Table 1.

[0131] Table 1: The modified DCI format 0_1 / 0_2.

[0132] These modifications ensure that the proposed dual-functional report supports both inference and monitoring while maintaining compatibility with existing configurations and enabling more efficient use of resources.

[0133] Since K is a small number, the Top-K beam can often be transmitted using a single resource set containing more than K resources. In this case, the number of bits required for the CSI Request MI could be 1. If repetition measurement is applied, where one beam is configured with a single resource set and measured across multiple resources within that set, at most K resource sets will be configured. This implies that the number of bits for CSI Request MI could be log2 K. If the dual-functional report is not activated, the number of bits for CSI Request MI is set to 0.

[0134] Alternative 3: Modifying the Existing DCI Format 0_1 / 0_2: Instead of defining new trigger states, the existing DCI format 0_1 / 0_2 can be modified to support the dual-functional report feature. For instance, the following fields can be introduced into the existing DCI format to enable this functionality. 1. Indicator for Dual-Functional Report Activation: A single bit field to indicate whether the dual-functional report is activated. 2. Resource Configuration for Top-K Beam Sweeping: A multi-bit field to define the resource set associated with Top-K beam sweeping, supporting both inference and monitoring. 3. Performance Monitoring Parameters: Additional fields to provide parameters required for performance monitoring, such as thresholds for RSRP differences or beam rankings. The DCI Format 0_1 / 0_2 is illustrated in Table 2.

[0135] Table 2: The DCI Format 0_1 / 0_2.

[0136] By incorporating these fields into the existing DCI format, the dual-functional report can be efficiently supported without requiring significant changes to the overall system configuration. This approach provides flexibility while maintaining compatibility with existing configurations.

[0137] Alternative 4: Defining a New DCI Format 0_x.

[0138] Without defining new trigger states, a new DCI format 0_x can be introduced to support the functionality of the dual-functional report. The only addition to the DCI field is the identifier field, which differentiates it from existing formats. The DCI Format 0_x is illustrated in Table 3.

[0139] Table 3: The DCI Format 0_x.

[0140] The introduction of a new DCI format 0_x necessitates a new CRC scrambling scheme to enable the UE to quickly distinguish the dedicated DCI format 0_x. The related values for scrambling are listed as Table 4.

[0141] Table 4: The related values for scrambling.

[0142] Optional: The Order of Beams in Top-K Beam Sweeping: For UE-side models and UE-side performance monitoring, the UE assumes that the order of the Top-K beams transmitted during Top-K beam sweeping matches the order of the predicted Top-K beams in the CSI report for inference, unless a new IE CSI-beamOrder-MI is specified in the CSI-MeasConfig to indicate the beam order. The options for beam order indication are as follows. Option 1: Directly use the beam identifier, such as the SSBRI / CRI or a dedicated beam ID. Option 2: Deliver the beam order by the ranking index of the predicted Top-K beams. For instance, the ranking index for the Top-4 beams is listed as Table 5.

[0143] Table 5: The ranking index of the Top-4 beams.

[0144] The ranking index of the four beams in the report is 1234. For Top-K beam sweeping configuration, if the actual beams are transmitted in the order of [BeamId_3, BeamId_1, BeamId_4, BeamId_2] , the order may be delivered as 3142. There is an option to perform multi-shot measurement, where the CSI resource for measurement can be transmitted repeatedly. The configuration for multi-shot measurement can be achieved using the following approach.

[0145] Optional: Configured within the CSI-MeasConfig.

[0146] Trigger: A new IE CSI-MultiShotMeas-MI with integer-type values is configured within the CSI-MeasConfig. If CSI-MultiShotMeas-MI is not configured, or its value is set to 0, the UE may perform a one-shot measurement only. If CSI-MultiShotMeas-MI is set to an integer greater than 0, the UE may perform multi-shot measurement based on the configured integer across multiple resource sets.

[0147] This embodiment introduces methods to configure Top-K beam sweeping and enable dual-functional CSI reporting for both inference and monitoring, leveraging enhancements to existing DCI formats or introducing new formats. Key advantages include improved flexibility through implicit and explicit resource configuration, faster activation via DCI compared to legacy MAC-CE, and optimized resource utilization by minimizing required bits for reporting. These approaches maintain compatibility with existing systems while providing advanced features like multi-shot measurements and dynamic beam order configurations, enhancing performance monitoring and inference efficiency. The proposed solutions balance system complexity and resource efficiency, ensuring seamless integration into current NR frameworks.

[0148] Embodiment 2: Using MAC-CE to activate the Top-K beam report:

[0149] This embodiment proposes a method for configuring Top-K beam sweeping using MAC-CE. The difference between this approach and the one discussed in the previous embodiment is that MAC-CE is used to activate the report conveyed via PUCCH.

[0150] FIG. 16 is a block diagram illustrating a modified medium access control-control element (MAC-CE) for Top-K beam report according to an embodiment of the present disclosure. As shown in FIG. 16, a one-bit additional field (I) is added to the legacy 16-bit MAC-CE, occupying the reserved bits for monitoring. This field indicates whether the MAC-CE is used to activate a dual-functional report: I = 0: Indicates a legacy CSI report for beam management (BM) . I = 1: Indicates a dual-functional report.

[0151] FIG. 17 is a block diagram illustrating a modified MAC-CE for Top-K beam report according to an embodiment of the present disclosure. As shown in FIG. 17, a two-bit additional field (I) is added to the legacy 16-bit MAC-CE, also occupying the reserved bits for monitoring. This field provides further granularity by distinguishing between different types of reports: 00: Indicates a legacy CSI report for BM. 10: Indicates a one-shot measurement dual-functional report. 11: Indicates a multi-shot measurement dual-functional report. The other modifications to the RRC IEs (e.g., CSI-MeasConfig and CSI-ReportConfig) remain the same as those outlined in Embodiment 1.

[0152] This method in the embodiment provides flexibility and allows for efficient activation of dual-functional reports using MAC-CE, ensuring compatibility with existing configurations while supporting enhanced inference and monitoring functionalities.

[0153] This embodiment outlines a method for activating Top-K beam sweeping reports using a modified MAC-CE, offering enhanced flexibility and granularity compared to legacy approaches. By introducing additional fields in the MAC-CE (one-bit or two-bit) , this method efficiently differentiates between legacy CSI reports, one-shot dual-functional reports, and multi-shot dual-functional reports. It ensures seamless integration with existing configurations while enabling advanced inference and monitoring functionalities. The approach balances system compatibility and functionality, supporting dynamic activation of dual-functional reports and optimizing resource usage.

[0154] Embodiment 3: Using explicit configuration to activate the Top-K beam report.

[0155] Alternative 4: Explicit Indication Using RRC.

[0156] In this embodiment, the report quantities are explicitly indicated within the CSI-ReportConfig. In the reportQuantity field, new choices, namely cri-RSRP-MI and ssb-Index-RSRP-MI, are introduced. Upon receiving these configurations, the User Equipment (UE) generates a dual-functional report that includes the following quantities. In all configurations, the beam identifier (either CRI or SSBRI) is an essential report quantity. Beyond the beam identifier, the at least one of following options for report quantities are provided.

[0157] Option 1: Reporting One-shot or Multi-shot RSRP (Based on Configuration) .

[0158] 1. One-shot Report: Report the value of the largest RSRP. Include the differential values of other RSRP measurements relative to the largest RSRP. Quantization range and step size adhere to the NR (New Radio) setup.

[0159] 2. Multi-shot Report: Variation 1: For each occasion, report the value of the largest RSRP and the differential values of other RSRP measurements relative to the largest RSRP from that occasion. Quantization range and step size follow the NR setup. Variation 2: Report the largest RSRP values from the first, last, or all occasions, along with the differential values of other RSRP measurements relative to the largest RSRP. Quantization range and step size adhere to the NR setup.

[0160] Option 2: Reporting Averaging Multi-shot RSRP.

[0161] For multi-shot reports, provide the value of the largest mean RSRP and the differential values of other mean RSRP measurements relative to the largest mean RSRP. Quantization range and step size follow the NR setup.

[0162] Option 3: Reporting One-shot or Multi-shot Beam Order (Based on Configuration) .

[0163] One-shot Report: Option 1: Directly report the beam identifier, ranked in ascending order of RSRP. Option 2: Provide the ranking index of the predicted Top-K beams. For example, the ranking indices of the Top-4 beams could be listed as follows in Table 6. By using these explicit configurations in the CSI-ReportConfig, the system enhances the flexibility and precision of beam reporting in NR systems.

[0164] Table 6: The ranking indices of the Top-4 beams.

[0165] The ranking index of the four beams is reported as 1234. For the Top-K beam sweeping configuration, if the actual beams are transmitted in the order of [BeamId_3, BeamId_1, BeamId_4, BeamId_2] , the ranking order may be delivered as 3142.

[0166] Alternative 5: Explicit configuration by RRC, indicated by DCI.

[0167] Since the report quantities may need to switch quickly between the legacy report and the dual-functional report, one potential challenge is the relatively high delay associated with RRC-based configuration (typically tens of milliseconds) . To address this, some embodiments propose using low-latency signaling to indicate the report type.

[0168] In some examples, the report quantities are explicitly indicated within the CSI-ReportConfig. A new reportQuantity-MI line is added to correspond to the dual-functional report. The available choices within reportQuantity-MI are cri-RSRP-MI and ssb-Index-RSRP-MI.

[0169] In some examples, upon receiving these configurations, the UE will determine whether to report the dual-functional report or the legacy report based on the indication / activation provided by the DCI. To support this functionality, some embodiments propose modifying the existing DCI formats 0_1 and 0_2 to enable the dual-functional report feature. For example, the following field of the DCI format as illustrated in Table 7 can be introduced into the existing DCI.

[0170] Table 7: The field of the DCI format.

[0171] Alternative 6: Explicit configuration by RRC, indicated by MAC-CE.

[0172] Unlike Embodiment 1, where the modified DCI is directly associated with a resource set that implicitly indicates the report quantities, this alternative uses the DCI to choose between reportQuantity or reportQuantity-MI in the CSI-ReportConfig.

[0173] Another approach is to use the MAC-CE to indicate the report type. In some examples, the report quantities are explicitly defined in the CSI-ReportConfig. A new reportQuantity-MI line is introduced to correspond to the dual-functional report. The available choices within reportQuantity-MI are cri-RSRP-MI and ssb-Index-RSRP-MI. In some examples, upon receiving these configurations, the UE will determine whether to report the dual-functional report or the legacy report based on the indication / activation provided by the MAC-CE. To enable this feature, some examples propose modifying the existing 16-bit MAC-CE format to support the dual-functional report. For example, the following field can be added to the existing MAC-CE.

[0174] FIG. 18 is a block diagram illustrating a modified MAC-CE for Top-K beam report according to an embodiment of the present disclosure. FIG. 18 illustrates that, in some examples, a one-bit additional field I is added to the legacy 16-bit MAC-CE, occupying the reserved bits for monitoring. This one-bit field indicates whether the particular MAC-CE is used to activate the report quantities, specifically the reportQuantity-MI defined for the dual-functional report. The at least one of following field values are as follows: I = 0: The upcoming CSI report contains choices from reportQuantity. I = 1: The upcoming CSI report contains choices from reportQuantity-MI.

[0175] This embodiment introduces methods for explicitly configuring Top-K beam sweeping reports, focusing on enabling dual-functional CSI reporting through RRC signaling, DCI, or MAC-CE. By adding new reportQuantity-MI fields to the CSI-ReportConfig and modifying existing DCI or MAC-CE formats, the system achieves greater flexibility and precision in switching between legacy and dual-functional reports. Key advantages include low-latency signaling for quick configuration changes, enhanced granularity for resource allocation, and improved support for both inference and monitoring functionalities. These approaches ensure seamless integration with NR systems while optimizing resource usage and reporting efficiency.

[0176] Embodiment #4: Event definition and report for triggering the monitoring for BM-Case1.

[0177] In some examples, the event-triggered performance monitoring based on Top-K beam measurements can be defined differently for BM-Case1 and BM-Case2. This embodiment focuses on BM-Case1. For BM-Case1, the event is categorized based on two metrics of prediction accuracy: beam accuracy and value accuracy.

[0178] Category 1: Based on Beam Error.

[0179] Alternative 1-1: If the measured Top-1 beam is different from the predicted Top-1 beam, including at least one of followings. The Top-1 beam is not within the predicted Top-K beams. The Top-1 beam is within the predicted Top-K beams but different from the predicted Top-1 beam. Then the value of an internal counter Cbi, used to identify beam inaccuracy, is incremented by 1, i.e., Cbi=Cbi+1. During L_1 occasions of Top-K beam sweeping measurements (where L_1 is configured by the network) , if the accumulated counter value exceeds a threshold T_1 (predefined or configured) , an event for triggering independent monitoring is generated.

[0180] Alternative 1-2: If the measured Top-1 beam is different from the predicted Top-1 beam, including the scenarios mentioned above, a Top-1 beam error is said to occur. During L_2 occasions of Top-K beam sweeping measurements, if there are consecutive T_2 Top-1 beam errors (where L_2 and T_2 are predefined or configured) , an event for triggering independent monitoring occurs.

[0181] Alternative 1-3: If the measured Top-1 beam is different from the predicted Top-1 beam, the counter Cbiincreases by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements (where L ≥2) , if the ratio of the counter value to L exceeds a threshold P_1 (predefined or configured) , an event for triggering independent monitoring is generated.

[0182] Alternative 1-4: If the measured Top-K beams differ from the predicted Top-K beams, including at least one of the followings. The ranking of the measured Top-K beams is different from the predicted Top-K beams. One or more beams in the measured Top-K beams are not within the predicted Top-K beams. The value of Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L_4 occasions of Top-K beam sweeping measurements (configured by the network) , if the accumulated counter value exceeds a threshold T_4, an event for triggering independent monitoring occurs.

[0183] Alternative 1-5: If the measured Top-K beams differ as described above, a Top-K beam error is said to occur. During L_5 occasions of Top-K beam sweeping measurements, if there are consecutive T_5 Top-K beam errors, an event for triggering independent monitoring occurs.

[0184] Alternative 1-6: If the measured Top-K beams differ as described, the counter Cbi increases by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements, if the ratio of the counter value to L exceeds P_1, an event for triggering independent monitoring occurs.

[0185] Category 2: Based on Value Error.

[0186] Alternative 2-1: If the RSRP difference or ratio between the measured and predicted RSRP of the predicted Top-1 beam exceeds a threshold, Cbi increases by 1, i.e., Cbi=Cbi+1. During L_1 occasions of Top-K beam sweeping measurements, if the accumulated counter value exceeds T_1, an event for triggering independent monitoring occurs.

[0187] Alternative 2-2: If the RSRP difference or ratio exceeds a threshold, a Top-1 beam RSRP error is said to occur. During L_2 occasions of Top-K beam sweeping measurements, if there are consecutive T_2 Top-1 beam RSRP errors, an event for triggering independent monitoring occurs.

[0188] Alternative 2-3: If the RSRP difference or ratio exceeds a threshold, Cbi increases by 1, i.e., Cbi=Cbi+1 . During L occasions of Top-K beam sweeping measurements, if the ratio of the counter value to L exceeds P_1, an event for triggering independent monitoring occurs.

[0189] Alternative 2-4: If the average or accumulated RSRP difference or ratio between the measured and predicted RSRP of the Top-K beams exceeds a threshold, Cbi increases by 1, i.e., Cbi=Cbi+1. During L_1 occasions of Top-K beam sweeping measurements, if the accumulated counter value exceeds T_1, an event for triggering independent monitoring occurs.

[0190] Alternative 2-5: If the average or accumulated RSRP difference or ratio exceeds a threshold, a Top-K beam RSRP error is said to occur. During L_2 occasions of Top-K beam sweeping measurements, if there are consecutive T_2 Top-K beam RSRP errors, an event for triggering independent monitoring occurs.

[0191] Alternative 2-6: If the average or accumulated RSRP difference or ratio exceeds a threshold, Cbi increases by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements, if the ratio of the counter value to L exceeds P_1, an event for triggering independent monitoring occurs.

[0192] Note: Different triggering conditions will result in varied content reporting in the CSI report of Top-K beams or other dedicated reports. Case-by-case discussions are provided in the embodiments.

[0193] This embodiment defines event-triggered performance monitoring for BM-Case1 based on Top-K beam measurements, focusing on beam accuracy and value accuracy metrics. Various alternatives are provided for triggering events, including conditions based on beam mismatches, ranking errors, RSRP differences, or ratios exceeding thresholds. By incrementing internal counters or evaluating error ratios over multiple measurement occasions, the system dynamically identifies inaccuracies and triggers independent monitoring processes. Key advantages include enhanced precision in monitoring performance, flexible configuration to adapt to different network conditions, and the ability to provide detailed and tailored reporting for inference and monitoring. These mechanisms improve system reliability and resource efficiency in NR networks.

[0194] Embodiment #5: Event definition and report for triggering the monitoring for BM-Case2.

[0195] The event-triggered performance monitoring based on Top-K beam measurements can be defined differently for BM-Case1 and BM-Case2. This embodiment discusses BM-Case2. For BM-Case2, the events are categorized into two metrics of prediction accuracy: beam accuracy and value accuracy. The schemes proposed in the previous embodiment can also be applied to BM-Case2. Additionally, performance monitoring for BM-Case2 may consider time accuracy as a complementary metric.

[0196] Suppose the gap between two adjacent time instances is configured by the network (NW) to be P slots, i.e., the two adjacent time instances are represented as T and T+P in slot units, respectively. By default, the UE assumes the predicted beam for time instance T is valid from T to T+P-1. If the validity of the predicted beam does not last for P slots, this indicates that the current value of P is not properly configured, leading to a time error.

[0197] Some embodiments define the following additional events specifically addressing the time error problem for BM-Case2.

[0198] Category 3: Based on Time Error: The network may configure a value Q for the UE via RRC signaling (e.g., within the CSI-MeasConfig, CSI-ReportConfig, or DCI) , where 1 < Q < P-1. The value of Q can be directly indicated or calculated using a pre-defined factor, i.e.,  Optionally, the value of Q for each of the N predicted time instances may vary. The UE performs M instances of Top-K beam sweeping, where M = 1 or 2, as configured by the network. If M ≥ 2, time error measurement is implicitly activated. To reduce overhead, some examples prefer setting M = 2. The two Top-K beam sweepings occur at time instances T-1 and T+Q. Events are defined as follows.

[0199] Alternative 3-1: If, at either time instance T-1 or T+Q, the measured Top-1 beam differs from the predicted Top-1 beam, including at least one of followings. The Top-1 beam is not within the predicted Top-K beams. The Top-1 beam is within the predicted Top-K beams but differs from the predicted Top-1 beam. The internal counter C_bi, used to track beam inaccuracy, is incremented by 1, i.e., Cbi=Cbi+1. During N_1 occasions of Top-K beam sweeping measurements (where N_1 ≤ N, as configured by the network) , if the accumulated counter value exceeds a threshold T_1 (predefined or configured) , an event is triggered for independent monitoring.

[0200] Alternative 3-2: If, at either time instance T-1 or T+Q, the measured Top-1 beam differs as described above, a Top-1 beam error occurs. If there are N_2 consecutive Top-1 beam errors (where N_2 ≤ N, as predefined or configured) , an event is triggered for independent monitoring.

[0201] Alternative 3-3: If, at either time instance T-1 or T+Q, the measured Top-1 beam differs as described above, the counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements (where L ≥ 2) , if the ratio of the counter value to L exceeds a threshold P_1 (predefined or configured) , an event is triggered for independent monitoring.

[0202] Alternative 3-4: If, at either time instance T-1 or T+Q, the measured Top-K beams differ from the predicted Top-K beams, including at least one of the followings. The ranking of the measured Top-K beams is different from the predicted Top-K beams. One or more beams in the measured Top-K beams are not within the predicted Top-K beams. The counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L_4 occasions of Top-K beam sweeping measurements (configured by the network) , if the accumulated counter value exceeds a threshold T_4 (predefined or configured) , an event is triggered for independent monitoring.

[0203] Alternative 3-5: If the measured Top-K beams differ as described above, a Top-K beam error occurs. During L_5 occasions of Top-K beam sweeping measurements, if there are T_5 consecutive Top-K beam errors (where L_5 and T_5 are predefined or configured) , an event is triggered for independent monitoring.

[0204] Alternative 3-6: If the measured Top-K beams differ as described above, the counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements, if the ratio of the counter value to L exceeds P_1, an event is triggered for independent monitoring.

[0205] Alternative 3-7: If, at either time instance T-1 or T+Q, the RSRP difference or ratio between the measured and predicted RSRP of the predicted Top-1 beam exceeds a threshold, the counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L_1 occasions of Top-K beam sweeping measurements (configured by the network) , if the accumulated counter value exceeds T_1, an event is triggered for independent monitoring.

[0206] Alternative 3-8: If the RSRP difference or ratio exceeds the threshold as described above, a Top-1 beam RSRP error occurs. During L_2 occasions of Top-K beam sweeping measurements, if there are T_2 consecutive Top-1 beam RSRP errors (where L_2 and T_2 are predefined or configured) , an event is triggered for independent monitoring.

[0207] Alternative 3-9: If the RSRP difference or ratio exceeds the threshold as described above, the counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements, if the ratio of the counter value to L exceeds P_1, an event is triggered for independent monitoring.

[0208] Alternative 3-10: If the average or accumulated RSRP difference or ratio of the predicted Top-K beams exceeds a threshold, the counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L_1 occasions of Top-K beam sweeping measurements, if the accumulated counter value exceeds T_1, an event is triggered for independent monitoring.

[0209] Alternative 3-11: If the average or accumulated RSRP difference or ratio exceeds the threshold as described above, a Top-K beam RSRP error occurs. During L_2 occasions of Top-K beam sweeping measurements, if there are T_2 consecutive Top-K beam RSRP errors, an event is triggered for independent monitoring.

[0210] Alternative 3-12: If the average or accumulated RSRP difference or ratio exceeds the threshold as described above, the counter Cbi is incremented by 1, i.e., Cbi=Cbi+1. During L occasions of Top-K beam sweeping measurements, if the ratio of the counter value to L exceeds P_1, an event is triggered for independent monitoring.

[0211] Note: Different triggering conditions result in varied content reporting in the CSI report for Top-K beams or other dedicated reports. Case-by-case discussions are provided in the embodiments.

[0212] This embodiment focuses on event-triggered performance monitoring for BM-Case2, incorporating beam accuracy, value accuracy, and time accuracy metrics. By evaluating discrepancies in beam rankings, RSRP differences, or prediction validity over specific time intervals, the system dynamically identifies inaccuracies and triggers independent monitoring events. Additional metrics, such as time errors due to improperly configured prediction intervals, enhance the precision of monitoring. Key advantages include adaptability to various network conditions, reduced latency through optimized configurations, and improved reliability in identifying and addressing performance issues in Top-K beam measurements, supporting both inference and monitoring functionalities in NR systems.

[0213] Embodiment #6: Partitioning of two-part dual functional CSI report.

[0214] In this embodiment, some examples provide methods to configure a two-part CSI report. The CSI report is divided into an inference-related part and a monitoring-related part, organized sequentially within the data field. The mapping of the bit sequence within the UCI can be as follows.

[0215] Option 1: Single UCI for Dual-Functional Reporting: In this case, if K is configured to be a small value, e.g., K ≤ 4, then at most four beam identifiers and their corresponding RSRP values are reported. Assuming the use of the conventional UCI mapping described in Table 2, and that the maximum indices of CRI and SSBRI are both 64, the required bits for reporting are calculated as follows: 1. CRI and SSBRI identifiers: 6×4=24 bits. 2. Additional signaling overhead: 7 bits. 3. RSRP values for four beams: 4×4=16 bits. 4. In total, 24+7+16=47 bits are needed, which can be accommodated within a single UCI.

[0216] In this embodiment, some examples provide ways to configure the two-part CSI report. The CSI report can be divided as inference-related part and the monitoring-related part by the order in the data field. The mapping of the bit sequence within the UCI could be the follows.

[0217] Option 1: One UCI to report the dua-functional report: In this case, if K is configured to be a small value, e.g. K<=4, then at most four beams identifier and corresponding RSRP values are reported. Suppose some examples use the conventional UCI mapping in Table 8 and both the maximum index of CRI and SSBRI are 64, that requires about 6*4+7+4*4=47bits, which can be conveyed by a single UCI.

[0218] Table 8: UCI mapping of CRI / SSBRI / RSRP.

[0219] For the dual-functional report, the UCI mapping is illustrated in Table 9. In this configuration, only the Top-one beam is reported in the 1st functional area, which occupies either 6 or 13 bits, depending on whether the RSRP value is included. A notable benefit of reporting the Top-one beam is that the network (NW) can determine if the predicted Top-one beam matches the measured one. The size of the monitoring-related information provided in the 2nd functional area varies depending on the choice of reported parameters.

[0220] Table 9: UCI mapping for dual-functional report.

[0221] For network-side (NW) monitoring, the approach is to report measured or intermediate parameters.

[0222] Case 1: Reporting RSRP Differences or Errors: Directly report the RSRP differences of K beams with 4-bit quantization, resulting in X=4K bits. Report the mean RSRP difference with 4-bit quantization, resulting in X=4 bits. Report the RSRP error ratio of K beams with 4-bit quantization, resulting in X=4K bits. RSRP error ratio:  Report the mean RSRP error ratio with 4-bit quantization, resulting in X=4 bits.

[0223] Case 2: Reporting Ranking Differences or Indicators: If a direct bitmap approach is used, X=K bits are required. If an indicator is provided to indicate whether the predicted ranking matches the measured ranking, X=1 bit is required.

[0224] Case 3: Report the even counter or value, e.g., Cbi defined in embodiment 4 and 5, which requires  bits. Note: Parameters from Cases 1 to 3 can be reported together. For UE-side monitoring, the UE only reports decisions based on the measurement:

[0225] Case 4: Reporting an Event Indicator for Triggering the Next-Step Behavior Report an X=1-bit event indicator for triggering subsequent actions, such as model switching, fallback, or independent performance monitoring. If the next behavior involves triggering independent performance monitoring, the UE has at least one of followings options to initiate the monitoring request. Option 1: The UE sends a separate request using a short-format UCI, one additional bit in the SR (Scheduling Request) in PUCCH, or uplink MAC-CE or RRC signaling in PUSCH. Option 2: The event indicator in the 2nd functional field (Case 4) serves as the monitoring request, optionally including a list of preferred configurations for monitoring, resulting in X>1 bits. The preferred configuration may include at least one of followings: the preferred resource configuration, the preferred model type (or model ID, e.g., ID-X) , and / or the preferred report configuration.

[0226] Option 2: Two-Part UCI for Dual-Functional Reporting: If K is configured to be a large value (e.g., K≥16) , up to 16 beam identifiers and corresponding RSRP values can be reported. Using the conventional UCI mapping in Table 2, with maximum CRI and SSBRI indices of 64, the required bits are: 6×16+7+4×16=167bits. This necessitates using a two-part UCI. For either single-stage or two-stage UCI reporting, the information is partitioned as follows. Beam identifiers and RSRP values are reported jointly for both inference and monitoring purposes. For NW-side monitoring, usually report the measured or intermediate parameters. For either one or two stage UCI, the information partitioning is provided in the following tables 10 to 15.

[0227] Case 1: Directly report the beam identifier and the RSRP jointly for both inference and monitoring:

[0228] Table 10: New UCI bitstring mapping.

[0229] Table 11: New UCI bitstring mapping.

[0230] Table 12: Two-stage CSI Report Content Mapping.

[0231] Case 2: Report the information for inference and monitoring in different fields.

[0232] Table 13: New UCI bitstring mapping.

[0233] Table 14: New UCI bitstring mapping.

[0234] Table 15: Two-stage CSI Report Content Mapping.

[0235] This embodiment focuses on partitioning dual-functional CSI reports into inference-related and monitoring-related parts to optimize resource allocation and reporting efficiency. It introduces single-stage and two-stage UCI configurations, accommodating various resource requirements based on the number of Top-K beams being reported. For smaller K values, single UCI configurations suffice, while larger K values necessitate two-part UCI mapping to manage increased bit requirements. Key advantages include enhanced flexibility to adapt to diverse network configurations, efficient transmission of performance metrics, and clear separation of inference and monitoring data. This approach ensures streamlined reporting for both network-side and UE-side monitoring while maintaining compatibility with NR systems.

[0236] Embodiment #7: Performance metrics related parameter to be reported.

[0237] In this embodiment, some examples define some performance metrics for monitoring.

[0238] Option 1: Beam Information Difference or Beam Error Ratio.

[0239] The Top-K beam sweeping measures the predicted Top-K beams along with additional L beams, where the additional L beam sets are explicitly configured by the network (NW) or determined by pre-defined associations.

[0240] Beam Information Difference: Defined as at least one of the followings. 1. Index Error: The difference in indices between the predicted and measured beams. 2. Number Error: The number of differing indices within the beam set for monitoring. 3. Beam Ratio: Defined as the number of measured beams within the Top-K beams that are not within the predicted Top-K beams, divided by the number of predicted beams (K) . Final prediction accuracy metrics are calculated based on the beam information difference / ratio, with different weights assigned to various RSRP differences / ratios. This approach applies to all model output options.

[0241] Option 2: RSRP Difference / Ratio-Based Prediction Accuracy Metrics.

[0242] RSRP Difference: Defined as: the total or mean RSRP error of the beam set. The number of RSRP differences exceeding a certain threshold. RSRP Ratio: Defined as the number of wrongly ranked beam identifications divided by the total number of predicted beams (K) . Final prediction accuracy metrics are calculated based on the RSRP difference / ratio, with different weights assigned to various RSRP differences / ratios.

[0243] Option 3: Rank Difference / Ratio.

[0244] Rank Difference: Defined as the accumulated ranking error of the beam set. Rank Ratio: Defined as the number of wrongly ranked beam identifications divided by the total number of measured beams (K) . Final prediction accuracy metrics are calculated based on the rank difference / ratio, with different weights assigned to various ranking differences / ratios. This approach applies to all model output options.

[0245] Option 4: Probability Difference.

[0246] Probability Difference: Defined as the total or mean probability error of the beam set. This approach applies to model output option 2. The network (NW) defines the events for triggering the monitoring process and communicates them to the UE under the following scenarios: Scenario 1: The UE initiates UE-side performance monitoring. Scenario 2: The UE initiates NW-side performance monitoring. In both scenarios, the UE triggers the performance monitoring process upon the occurrence of an event. Furthermore, different events or event combinations can correspond to different UE behaviors. These associations are delivered via RRC signaling or pre-defined in the protocol.

[0247] Delivery of Event Definitions from NW to UE:

[0248] 1. Included within the report or resource configuration of Top-K beam sweeping: If the event-triggering approach is used, event reporting will likely involve dedicated event signaling since the confirmation time is longer than the Top-K beam measurement period.

[0249] 2. Included within the report or resource configuration of Set A or Set B: The event-based approach is associated with the periodic or semi-persistent configuration of the Top-K beam measurement.

[0250] 3. Included within UE capability feedback: Similar to Set A or Set B, this approach ties event reporting to periodic or semi-persistent configurations.

[0251] 4. Delivery of Events from UE to NW.

[0252] 5. Dedicated Event Reporting: If the event-triggering approach is used, the event report is likely sent as dedicated signaling due to the longer confirmation time.

[0253] 6. Included within the CSI Report: The event-based approach ties event reporting to periodic or semi-persistent configurations of Top-K beam measurements.

[0254] 7. Association Between Inference and Monitoring Reports: Once a Top-K beam sweeping triggers an independent monitoring process, the association between the inference-related report and the subsequent monitoring report must be indicated. This can be achieved using at least one of the following methods.

[0255] Method 1: The Top-K beam sweeping report explicitly includes an ID. The ID can be generated from one or more of the following: Model ID, Dataset ID, Associated ID, CSI Resource / Resource Set ID, and / or CSI Report ID. Upon receiving the ID, the NW calculates the corresponding CSI resource / resource set ID or CSI report ID for monitoring and configures the resource / report accordingly. The UE implicitly associates the inference and monitoring processes based on the configured CSI resource / resource set or report.

[0256] Method 2: Separate Processing IDs are introduced for inference and monitoring, configured within their respective resource or report configurations (e.g., CSI-MeasConfig or CSI-ReportConfig) . The mapping between the inference processing ID and monitoring processing ID is pre-defined, configured by RRC signaling, and / or activated via MAC-CE or DCI. The UE uses the configured mapping to implicitly associate the inference and monitoring processes.

[0257] Method 3: A mapping between CSI resource / resource set IDs or CSI report IDs for inference and monitoring is pre-defined and / or configured by RRC signaling. This mapping can also be indicated by a new QCL type, conveyed via the QCL-info IE. Upon receiving the mapping, the UE implicitly associates the inference and monitoring processes.

[0258] Note: For NW-side monitoring, the performance monitoring process is transparent to the UE, so the association between inference and monitoring has no specification impact.

[0259] In this embodiment, some examples define several performance metrics for monitoring. The first option focuses on beam information difference or beam error ratio. During Top-K beam sweeping, the predicted Top-K beams are measured along with additional L beams, which are either explicitly configured by the network (NW) or determined through pre-defined associations. The beam information difference can be defined as either the index error, which measures the difference between the indices of predicted and measured beams, or the number error, which counts the differing indices within the beam set. The beam ratio is defined as the proportion of measured beams within the Top-K beam set that are not part of the predicted Top-K beams, divided by the total number of predicted beams (K) . Final prediction accuracy metrics are calculated based on the beam information difference or ratio, with different weights assigned to varying RSRP differences or ratios. This approach applies to all model output options.

[0260] The second option is based on RSRP difference or ratio. The RSRP difference may be defined as the total or mean RSRP error of the beam set or as the number of RSRP differences that exceed a specific threshold. The RSRP ratio measures the number of incorrectly ranked beam identifications divided by the total number of predicted beams (K) . Final prediction accuracy metrics are calculated using these differences or ratios, with weights assigned to emphasize varying impacts. The third option involves rank difference or ratio, where rank difference is defined as the accumulated ranking error of the beam set, and rank ratio measures the number of incorrectly ranked beam identifications divided by the total number of measured beams (K) . The prediction accuracy metrics are similarly calculated using these ranking errors or ratios, with weighted contributions. This approach is also applicable to all model output options. The fourth option focuses on probability differences, defined as the total or mean probability error of the beam set, and is specifically applied to model output option 2.

[0261] The events for triggering the monitoring process are defined by the network and communicated to the UE in two scenarios: when the UE initiates UE-side performance monitoring or when it initiates NW-side performance monitoring. In either scenario, the UE triggers the performance monitoring process upon the occurrence of a specified event. Different events or combinations of events can trigger various UE behaviors, with these associations either delivered via RRC signaling or pre-defined in the protocol.

[0262] The network delivers event definitions to the UE in several ways. First, events may be included within the report or resource configuration of Top-K beam sweeping. If an event-triggering approach is used, event reporting will typically involve dedicated signaling, as confirming the event takes longer than the Top-K beam measurement period. Alternatively, events may be included within the report or resource configuration of Sets A or B, where the event-based approach ties to the periodic or semi-persistent configuration of Top-K beam measurements. Events can also be delivered through UE capability feedback, similar to Sets A or B.

[0263] Event delivery from the UE to the network is also possible through two approaches. The first is dedicated event reporting, which involves separate signaling due to the longer confirmation time for events. The second includes events within the CSI report, where the event-based approach is linked to periodic or semi-persistent configurations of Top-K beam measurements.

[0264] When Top-K beam sweeping triggers an independent monitoring process, the association between the inference-related report and the subsequent monitoring report must be established. This association can be implemented using various methods. One method includes embedding an explicit ID in the Top-K beam sweeping report, such as a model ID, dataset ID, or CSI resource / resource set ID. The network uses this ID to configure the corresponding CSI resource / resource set or report for monitoring. Alternatively, separate processing IDs for inference and monitoring can be configured within their respective report configurations, with the mapping between these IDs pre-defined or delivered via RRC signaling. Lastly, a mapping between the resource or report IDs for inference and monitoring can be pre-defined or configured via RRC signaling, optionally conveyed through a new QCL type using the QCL-info IE. In the case of network-side monitoring, the performance monitoring process is transparent to the UE, meaning the association between inference and monitoring has no impact on the specification.

[0265] This embodiment introduces performance metrics for monitoring Top-K beam sweeping, focusing on beam information differences, RSRP metrics, rank differences, and probability differences. It defines metrics like index error, RSRP difference, rank ratio, and probability error, with weights assigned for prediction accuracy. Events for triggering monitoring are clearly defined and communicated between the network and the UE, supporting flexible configurations through signaling or pre-defined associations. The methods enable efficient event reporting and seamless association between inference and monitoring processes. Key advantages include precise monitoring, enhanced flexibility, and compatibility with existing configurations for optimized network performance.

[0266] Embodiment #8: The priority of dual-functional report.

[0267] This embodiment addresses the priority issues between dual-functional reports and legacy reports. A collision between two CSI reports (whether legacy or proposed) occurs when their transmission timings overlap in at least one OFDM symbol. To manage uplink transmission during such conflicts, the priority of the dual-functional or legacy CSI report is determined based on at least one of the following parameters:

[0268] 1. Reported Data Type (x) : The type of data in the measurement report determines its priority. Reports are broadly categorized into legacy CSI reports and dual-functional reports.

[0269] 2. ID of the Reference Signal Resource or Resource Set: This parameter ranges from {0, 1, . . ., N-1} , where N is the maximum index of the resource or resource set ID. Smaller IDs may be assigned higher priority.

[0270] 3. ID Configured for Parameter Uplink Transmission: The parameter ranges from {0, 1, . . ., K-1} , where K-1 is the maximum index of the resource set. Smaller IDs are given higher transmission priority.

[0271] 4. Size of the Reported Data Volume: Data volume is quantified into indexed ranges from {0, 1, ..., M-1} , where M-1 is the maximum index value. Larger data volumes may be prioritized.

[0272] 5. Transmission Resource Quantity: This indicates the number of transmission timings (PUCCH / PUSCH) required to carry the reported data. The range is {1, . . ., L} , where L is the maximum value configured by the BTS or reported by the UE and activated by the BS.

[0273] 6. Configuration ID of the Reference Signal Measurement: This represents the observation window / measurement time slot ID, with an index range of {0, 1, . . ., Q-1} , where Q-1 is the maximum index value.

[0274] The parameters above may be used individually or combined to calculate a priority value. A formula determines the priority, where a lower priority value signifies higher transmission priority. Examples of priority formulas include at least one of following options.

[0275] Option 1: Priority Based on Reported Data Type: For reported data types, transmission priorities may follow this order: Dual-functional report > Legacy CSI report. Within the CSI framework, the transmission priority order aligns with existing NR rules: AP-CSI > SP-CSI on PUSCH > SP-CSI on PUCCH > P-CSI. The reported data type can extend the original CSI priority formula when used in combination with other data. The extended priority formula is: Pridf=3*Ncells*Ms*x+2*Ncells*Ms*y+Ncells*Ms*k+Ms*c+s, where y, k, c, s refer to the original definitions in NR, i.e., y represents the value of CSI report when it is configured in PUSCH and PUCCH under off-cycle / semi-continuous / cycle, respectively, and k represents whether or not the L1-RSRP or SINR is included in the CSI-RS; c represents the index of the service cell, and s represents the ID of the uploaded report configuration. meanwhile, Ncellsis the maximum service cell number and Ms is the maximum number of configured CSI reports, where x represents the type of data reported, and its value is shown in Table 16.

[0276] Table 16: Reported data type priority assignment.

[0277] Option 2: Determined based on the ID of the reference signal resource set to which the parameter is reported: One order of priority transmission may be such that the smaller the ID of the resource set the higher the priority; the original CSI priority formula may be extended: Pridf=3*Ncells*Ms*x+2*Ncells*Ms*y+Ncells*Ms*k+Ms*c+s1. Or vice versa, the smaller the ID of the resource set the higher the priority: Pridf=3*Ncells*Ms*x+2*Ncells*Ms*y+Ncells*Ms*k+Ms*c+ (N-1-s1) , where s1 represents the ID of the reference signal resource set to which the parameter is reported and N-1 is the maximum index value of the resource or resource set ID.

[0278] Option 3: Determined on the basis of the reported measurement ID of the reference signal: where a priority transmission order can be such that the smaller the measurement ID the higher the priority; the original CSI priority formula can be extended: Pridf=3*Ncells*Ms*x+2*Ncells*Ms*y+Ncells*Ms*k+Ms*c+s2. Or vice versa, the smaller the reference signal measurement ID the higher the priority: Pridf=3*Ncells*Ms*x+2*Ncells*Ms*y+Ncells*Ms*k+Ms*c+ (M-1-s2) , where s2 represents the reference signal measurement ID.

[0279] Option 4: Determined by the size of the reported data volume: e.g. prioritize messages with larger data volumes: Pridf=3*Ncells*Ms*x+2*Ncells*Ms*y+Ncells*Ms* (M-1-m) +Ms*c+s , where m represents the size of the reported data volume.

[0280] Option 5: Determined by the size of the number of transmission resources reported: e.g. priority is given to messages with a larger number of transmission resources: Pridf=3*Ncells*Ms*x+2*Ncellss*Ms*y+Ncells*Ms* (L-1-l) +Ms*c+s , where l represents the size of the reported number of transmission resources.

[0281] In addition, at least one of the following conflict-handling methods may be used based on at least one of the following priority rules.

[0282] Option 1: Multiplexing the Reported Data for Transmission: The reported data is multiplexed on physical resources configured with high-level parameters using TDM, FDM, or CDM differentiation. In some examples, the multiplexing transmission method is indicated via RRC signaling, such as CSI-reportConfig, with the following codes: 00 for TDM, 01 for FDM, 10 for CDM, and 11 for no multiplexing transmission. The resource used for multiplexed transmission is explicitly indicated through RRC signaling, such as CSI-reportConfig, and can be specified in the following ways: Explicitly indicating the CSI-resourceSetID being multiplexed in CSI-reportConfig. Indicating the pool of reusable CSI resource sets in CSI-reportConfig, activated by MAC-CE or DCI for resource reuse.

[0283] Option 2: Prioritizing High-Priority Data Transmission: When there is a conflict in the reported data, the highest-priority data is transmitted first, followed by the next highest-priority data on the remaining resources. Alt. 1: If the remaining resource size is insufficient to transmit the next highest-priority data, the data is discarded. A 1-bit flag in the CSI upload message indicates that data has been discarded, or the CSI-reportID associated with the discarded data is communicated in the CSI upload message. Alt. 2: If the remaining resource size is insufficient to transmit the next highest-priority data, the Rate Match (RM) method is used to match the remaining resource size. The MCS table for RM is pre-configured by the gNB via RRC signaling, and the UE informs the gNB of the MCS index used for RM in the CSI upload message. Alt. 3: If the remaining resource size is insufficient, the next highest-priority data is sampled and transmitted. For instance, based on a threshold configured by the gNB in CSI-reportConfig, only the portion of the data with an absolute value larger than the threshold is transmitted.

[0284] Option 3: Delayed Transmission of Lower-Priority Data: The highest-priority data is transmitted first, while the next highest-priority data is cached and transmitted later. Delayed transmission is indicated by the gNB in CSI-reportConfig using a new IE, which specifies the time-domain offset and reference time slot. The UE sends an alert message to the gNB with the higher-priority uploaded data, including an association ID for the cached data.

[0285] Option 4: Reusing Transmission Resources for Lower-Priority Data: The second-highest priority data is transmitted on the resources allocated for the highest-priority data by sampling and transmitting only a portion of the data. For example, based on a threshold configured by the gNB in CSI-reportConfig, only the portion of the data with an absolute value larger than the threshold is transmitted.

[0286] Notes: The threshold values used in the methods above may be explicitly configured via RRC signaling, such as CSI-reportConfig, or selected by the UE from a set of optional values configured by the gNB, depending on the actual situation.

[0287] This embodiment addresses the priority issues between dual-functional reports and legacy reports. A collision between two CSI reports, whether legacy or proposed, occurs when their transmission timings overlap in at least one OFDM symbol. To resolve such conflicts, the uplink transmission method must be determined based on the priority of the dual-functional or legacy CSI report. This priority depends on several parameters, including the reported data type, the ID of the reference signal resource or resource set, the ID configured for parameter uplink transmission, the size of the reported data volume, the number of transmission resources required, and the configuration ID of the reference signal measurement. These parameters can be used individually or in combination to calculate a priority value, where a lower priority value indicates higher transmission priority.

[0288] The reported data type prioritizes dual-functional reports over legacy CSI reports. The priority within CSI reports follows existing NR rules, such as AP-CSI having a higher priority than SP-CSI on PUSCH, SP-CSI on PUCCH, or P-CSI. The ID of the reference signal resource or resource set assigns higher priority to reports with smaller IDs. Similarly, for the ID configured for parameter uplink transmission, smaller IDs correspond to higher priority. The size of the reported data volume and the number of transmission resources required can also influence priority, with larger volumes or greater resource requirements typically receiving higher priority. Finally, the configuration ID of the reference signal measurement, such as the observation window or measurement time slot, may determine priority, with smaller IDs often assigned higher priority.

[0289] The priority value is calculated using a formula that incorporates these parameters. For instance, the priority formula may include terms for the type of data reported, the ID of the resource set, the ID of the reference signal measurement, and other relevant factors. Adjustments to these formulas can prioritize smaller or larger IDs, larger data volumes, or greater resource quantities as needed.

[0290] To handle conflicts between dual-functional and legacy reports, several methods are proposed. Multiplexing transmission involves using TDM, FDM, or CDM to differentiate between high-priority and low-priority data, with the transmission method specified via CSI-reportConfig signaling. The specific resources for multiplexed transmission can be explicitly indicated or activated through MAC-CE or DCI. Priority-based transmission sends higher-priority data first. Remaining resources can be managed by discarding lower-priority data (with an indicator for discarded CSI-reportID) , using rate-matching to fit the remaining resources, or sampling and transmitting only the most significant data exceeding a configured threshold.

[0291] Another method involves delayed transmission, where lower-priority data is cached for later transmission, with a time-domain offset and reference slot specified via CSI-reportConfig. An alert message can associate the cached data with higher-priority data. Lastly, reuse of resources allows lower-priority data to be sampled and transmitted on the same resources used for high-priority data, based on a configured threshold.

[0292] Threshold values for these methods can be pre-defined via CSI-reportConfig or selected by the UE from a range of values configured by the gNB. These methods ensure efficient conflict resolution while maintaining the integrity and priority of critical data. This approach ensures that dual-functional and legacy reports can coexist effectively in complex transmission scenarios.

[0293] This embodiment addresses the prioritization and conflict resolution between dual-functional and legacy CSI reports in uplink transmission. By utilizing parameters such as data type, resource IDs, data volume, and transmission resource quantity, a priority value is calculated to determine transmission order. Dual-functional reports are prioritized over legacy reports, and conflicts are resolved using methods like multiplexing (TDM, FDM, CDM) , priority-based transmission, delayed transmission, or resource reuse. These techniques ensure efficient handling of overlapping transmissions, maintaining data integrity and prioritizing critical information.

[0294] Commercial interests for some embodiments are as follows. 1. Solve issues in the prior art and other issues. 2. Provide AI / ML based beam management. 3. Reduce an overhead during model inference and monitoring. 4. Provide a good communication performance. 5. Provide high reliability. Some embodiments can incorporate the AI / ML based solution into the current protocols seamlessly with good backward compatibility. Some embodiments of the present disclosure can be used in many applications. Some embodiments of the present disclosure are used by chipset vendors, video system development vendors, automakers including cars, trains, trucks, buses, bicycles, moto-bikes, helmets, and etc., drones (unmanned aerial vehicles) , smartphone makers, communication devices for public safety use, AR / VR / MR device maker for example gaming, conference / seminar, education purposes. Some embodiments of the present disclosure are a combination of “techniques / processes” that can be adopted in video standards to create an end product. Some embodiments of the present disclosure propose technical mechanisms. The at least one proposed solution, method, system, and apparatus of some embodiments of the present disclosure may be used for current and / or new / future standards regarding communication systems such as a UE, a base station, and / or a communication system. Compatible products follow at least one proposed solution, method, system, and apparatus of some embodiments of the present disclosure. The proposed solution, method, system, and apparatus are widely used in a UE, a base station, and / or a communication system. With the implementation of the at least one proposed solution, method, system, and apparatus of some embodiments of the present disclosure, at least one modification to methods and apparatus of artificial intelligence (AI)  / machine learning (ML) based beam management are considered for standardizing.

[0295] FIG. 19 is an example of a computing device 1100 according to an embodiment of the present disclosure. Any suitable computing device can be used for performing the operations described herein. For example, FIG. 19 illustrates an example of the computing device 1100 that can implement some embodiments of FIG. 1 to FIG. 18 using any suitably configured hardware and / or software. In some embodiments, the computing device 1100 can include a processor 1112 that is communicatively coupled to a memory 1114 and that executes computer-executable program code and / or accesses information stored in the memory 1114. The processor 1112 may include a microprocessor, an application-specific integrated circuit ( “ASIC” ) , a state machine, or other processing device. The processor 1112 can include any of a number of processing devices, including one. Such a processor can include or may be in communication with a computer-readable medium storing instructions that, when executed by the processor 1112, cause the processor to perform the operations described herein.

[0296] The memory 1114 can include any suitable non-transitory computer-readable medium. The computer-readable medium can include any electronic, optical, magnetic, or other storage device capable of providing a processor with computer-readable instructions or other program code. Non-limiting examples of a computer-readable medium include a magnetic disk, a memory chip, a read-only memory (ROM) , a random access memory (RAM) , an application specific integrated circuit (ASIC) , a configured processor, optical storage, magnetic tape or other magnetic storage, or any other medium from which a computer processor can read instructions. The instructions may include processor-specific instructions generated by a compiler and / or an interpreter from code written in any suitable computer-programming language, including, for example, C, C++, C#, visual basic, java, python, perl, javascript, and actionscript.

[0297] The computing device 1100 can also include a bus 1116. The bus 1116 can communicatively couple one or more components of the computing device 1100. The computing device 1100 can also include a number of external or internal devices such as input or output devices. For example, the computing device 1100 is illustrated with an input / output ( “I / O” ) interface 1118 that can receive input from one or more input devices 1120 or provide output to one or more output devices 1122. The one or more input devices 1120 and one or more output devices 1122 can be communicatively coupled to the I / O interface 1118. The communicative coupling can be implemented via any suitable manner (e.g., a connection via a printed circuit board, connection via a cable, communication via wireless transmissions, etc. ) . Non-limiting examples of input devices 1120 include a touch screen (e g., one or more cameras for imaging a touch area or pressure sensors for detecting pressure changes caused by a touch) , a mouse, a keyboard, or any other device that can be used to generate input events in response to physical actions by a user of a computing device. Non-limiting examples of output devices 1122 include a liquid crystal display (LCD) screen, an external monitor, a speaker, or any other device that can be used to display or otherwise present outputs generated by a computing device.

[0298] The computing device 1100 can execute program code that configures the processor 1112 to perform one or more of the operations described above with respect to some embodiments of FIG. 1 to FIG. 18. The program code may be resident in the memory 1114 or any suitable computer-readable medium and may be executed by the processor 1112 or any other suitable processor.

[0299] The computing device 1100 can also include at least one network interface device 1124. The network interface device 1124 can include any device or group of devices suitable for establishing a wired or wireless data connection to one or more data networks 1128. Non limiting examples of the network interface device 1124 include an Ethernet network adapter, a modem, and / or the like. The computing device 1100 can transmit messages as electronic or optical signals via the network interface device 1124.

[0300] FIG. 20 is a block diagram of an example of a communication system 1200 according to an embodiment of the present disclosure. Embodiments described herein may be implemented into the communication system 1200 using any suitably configured hardware and / or software. FIG. 20 illustrates the communication system 1200 including a radio frequency (RF) circuitry 1210, a baseband circuitry 1220, an application circuitry 1230, a memory / storage 1240, a display 1250, a camera 1260, a sensor 1270, and an input / output (I / O) interface 1280, coupled with each other at least as illustrated.

[0301] The application circuitry 1230 may include a circuitry such as, but not limited to, one or more single-core or multi-core processors. The processors may include any combination of general-purpose processors and dedicated processors, such as graphics processors, application processors. The processors may be coupled with the memory / storage and configured to execute instructions stored in the memory / storage to enable various applications and / or operating systems running on the system. The communication system 1200 can execute program code that configures the application circuitry 1230 to perform one or more of the operations described above with respect to some embodiments of FIG. 1 to FIG. 18. The program code may be resident in the application circuitry 1230 or any suitable computer-readable medium and may be executed by the application circuitry 1230 or any other suitable processor.

[0302] The baseband circuitry 1220 may include circuitry such as, but not limited to, one or more single-core or multi-core processors. The processors may include a baseband processor. The baseband circuitry may handle various radio control functions that may enable communication with one or more radio networks via the RF circuitry. The radio control functions may include, but are not limited to, signal modulation, encoding, decoding, radio frequency shifting, etc. In some embodiments, the baseband circuitry may provide for communication compatible with one or more radio technologies. For example, in some embodiments, the baseband circuitry may support communication with an evolved universal terrestrial radio access network (EUTRAN) and / or other wireless metropolitan area networks (WMAN) , a wireless local area network (WLAN) , a wireless personal area network (WPAN) . Embodiments in which the baseband circuitry is configured to support radio communications of more than one wireless protocol may be referred to as multi-mode baseband circuitry.

[0303] In various embodiments, the baseband circuitry 1220 may include circuitry to operate with signals that are not strictly considered as being in a baseband frequency. For example, in some embodiments, baseband circuitry may include circuitry to operate with signals having an intermediate frequency, which is between a baseband frequency and a radio frequency. The RF circuitry 1210 may enable communication with wireless networks using modulated electromagnetic radiation through a non-solid medium. In various embodiments, the RF circuitry may include switches, filters, amplifiers, etc. to facilitate the communication with the wireless network. In various embodiments, the RF circuitry 1210 may include circuitry to operate with signals that are not strictly considered as being in a radio frequency. For example, in some embodiments, RF circuitry may include circuitry to operate with signals having an intermediate frequency, which is between a baseband frequency and a radio frequency.

[0304] In various embodiments, the transmitter circuitry, control circuitry, or receiver circuitry discussed above with respect to some embodiments of FIG. 1 to FIG. 18 may be embodied in whole or in part in one or more of the RF circuitry, the baseband circuitry, and / or the application circuitry. As used herein, “circuitry” may refer to, be part of, or include an application specific integrated circuit (ASIC) , an electronic circuit, a processor (shared, dedicated, or group) , and / or a memory (shared, dedicated, or group) that execute one or more software or firmware programs, a combinational logic circuit, and / or other suitable hardware components that provide the described functionality. In some embodiments, the electronic device circuitry may be implemented in, or functions associated with the circuitry may be implemented by, one or more software or firmware modules. In some embodiments, some or all of the constituent components of the baseband circuitry, the application circuitry, and / or the memory / storage may be implemented together on a system on a chip (SOC) . The memory / storage 1240 may be used to load and store data and / or instructions, for example, for system. The memory / storage for one embodiment may include any combination of suitable volatile memory, such as dynamic random access memory (DRAM) ) , and / or non-volatile memory, such as flash memory.

[0305] In various embodiments, the I / O interface 1280 may include one or more user interfaces designed to enable user interaction with the system and / or peripheral component interfaces designed to enable peripheral component interaction with the system. User interfaces may include, but are not limited to a physical keyboard or keypad, a touchpad, a speaker, a microphone, etc. Peripheral component interfaces may include, but are not limited to, a non-volatile memory port, a universal serial bus (USB) port, an audio jack, and a power supply interface. In various embodiments, the sensor 1270 may include one or more sensing devices to determine environmental conditions and / or location information related to the system. In some embodiments, the sensors may include, but are not limited to, a gyro sensor, an accelerometer, a proximity sensor, an ambient light sensor, and a positioning unit. The positioning unit may also be part of, or interact with, the baseband circuitry and / or RF circuitry to communicate with components of a positioning network, e.g., a global positioning system (GPS) satellite.

[0306] In various embodiments, the display 1250 may include a display, such as a liquid crystal display and a touch screen display. In various embodiments, the communication system 1200 may be a mobile computing device such as, but not limited to, a laptop computing device, a tablet computing device, a netbook, an ultrabook, a smartphone, an AR / VR glasses, etc. In various embodiments, system may have more or less components, and / or different architectures. Where appropriate, methods described herein may be implemented as a computer program. The computer program may be stored on a storage medium, such as a non-transitory storage medium.

[0307] A person having ordinary skill in the art understands that each of the units, algorithm, and steps described and disclosed in the embodiments of the present disclosure are realized using electronic hardware or combinations of software for computers and electronic hardware. Whether the functions run in hardware or software depends on the condition of application and design requirement for a technical plan. A person having ordinary skill in the art can use different ways to realize the function for each specific application while such realizations should not go beyond the scope of the present disclosure. It is understood by a person having ordinary skill in the art that he / she can refer to the working processes of the system, device, and unit in the above-mentioned embodiment since the working processes of the above-mentioned system, device, and unit are basically the same. For easy description and simplicity, these working processes will not be detailed.

[0308] It is understood that the disclosed system, device, and method in the embodiments of the present disclosure can be realized with other ways. The above-mentioned embodiments are exemplary only. The division of the units is merely based on logical functions while other divisions exist in realization. It is possible that a plurality of units or components are combined or integrated in another system. It is also possible that some characteristics are omitted or skipped. On the other hand, the displayed or discussed mutual coupling, direct coupling, or communicative coupling operate through some ports, devices, or units whether indirectly or communicatively by ways of electrical, mechanical, or other kinds of forms.

[0309] The units as separating components for explanation are or are not physically separated. The units for display are or are not physical units, that is, located in one place or distributed on a plurality of network units. Some or all of the units are used according to the purposes of the embodiments. Moreover, each of the functional units in each of the embodiments can be integrated in one processing unit, physically independent, or integrated in one processing unit with two or more than two units. If the software function unit is realized and used and sold as a product, it can be stored in a readable storage medium in a computer. Based on this understanding, the technical plan proposed by the present disclosure can be essentially or partially realized as the form of a software product. Or, one part of the technical plan beneficial to the conventional technology can be realized as the form of a software product. The software product in the computer is stored in a storage medium, including a plurality of commands for a computational device (such as a personal computer, a server, or a network device) to run all or some of the steps disclosed by the embodiments of the present disclosure. The storage medium includes a USB disk, a mobile hard disk, a read-only memory (ROM) , a random access memory (RAM) , a floppy disk, or other kinds of media capable of storing program codes.

[0310] While the present disclosure has been described in connection with what is considered the most practical and preferred embodiments, it is understood that the present disclosure is not limited to the disclosed embodiments but is intended to cover various arrangements made without departing from the scope of the broadest interpretation of the appended claims.

Claims

A method of artificial intelligence / machine learning (AI / ML) model monitoring performed by a user equipment (UE) , comprising:performing model inference to acquire top-K beams, wherein K is greater than or equal to 1;transmitting, to a network, a top-K beam report based on the model inference;receiving a report configuration of a top K-beam sweeping from the network;determining a channel state information (CSI) report of the top-K beams based on the report configuration of the top-K beam sweeping, wherein the CSI report of the top-K beams comprises a performance monitoring-related information; andtransmitting the CSI report of the top-K beams to the network.The method of AI / ML model monitoring according to claim 1, wherein the report configuration of the top-K beam sweeping is activated by at least one of followings: a field in a CSI measurement configuration, a downlink control information (DCI) , a medium access control-control element (MAC-CE) , and / or an indication.The method of AI / ML model monitoring according to claim 2, wherein the DCI comprises a DCI format 0_1 a DCI format 0_2, or a DCI format 0_x.The method of AI / ML model monitoring according to claim 2 or 3, wherein the DCI comprises a first field, the first field is used for CSI request monitoring and inference (MI) , and the first field comprises bits, where K is determined in the report configuration of the top-K beam sweeping for model inference.The method of AI / ML model monitoring according to claim 2 or 3, wherein the DCI comprises a first field, the first field is used for report type indicator, and the first field comprises 1 bit.The method of AI / ML model monitoring according to claim 2 or 3, wherein the DCI comprises a first field, the first field is used for identifier for DCI formats, and the first field comprises 2 bits.The method of AI / ML model monitoring according to claim 6, wherein a CRC scrambling of the DCI comprises at least one of followings:a semi-persistent channel state information radio network temporary identifier (SP-CSI-RNTI)  / cell radio network temporary identifier (C-RNTI) combined with a predefined constant;a SP-CSI-RNTI / C-RNTI combined with an AI-related identifier (ID) ; and / oran AI-RNTI.The method of AI / ML model monitoring according to claim 2, wherein the MAC-CE comprise a 1-bit field or a 2-bit field occupying reserved bits for monitoring.The method of AI / ML model monitoring according to claim 2, wherein the indication is indicated by a radio resource control (RRC) signaling, or the indication is configured by the RRC signaling and indicated by the DCI, or the indication is configured by the RRC signaling and indicated by the MAC CE.The method of AI / ML model monitoring according to any one of claims 1 to 9, wherein the CSI report of the top K beams comprises a dual-functional report, the dual-functional report comprises a first function area and a second function area, the first function area corresponds to a model inference, and the second function area corresponds to a model performance monitoring.The method of AI / ML model monitoring according to claim 10, wherein the first function area indicates that a best beam among the top K beams has been confirmed.The method of AI / ML model monitoring according to claim 10, wherein the second function area indicates an assistance information of the model performance monitoring and / or an event triggering the model performance monitoring.The method of AI / ML model monitoring according to claim 10, wherein the assistance information of the model performance monitoring comprises at least one of followings: a beam ranking, a beam ranking error, a reference signal received power (RSRP) difference, a RSRP error ratio, and / or a probability error.The method of AI / ML model monitoring according to any one of claims 1 to 13, wherein during beam sweeping and beam reporting across all predicted N time instances, the UE determines whether a break condition is satisfied, and if yes, skips remaining sweeping and reporting and proceeds to a model performance monitoring, where N is greater than 1.The method of AI / ML model monitoring according to claim 14, wherein the break condition comprises at least one of followings:a statistical analysis of beam error meeting a preset condition;a statistical analysis of predicted value error meeting a preset condition;a network indication to stop sweeping; and / ora network indication providing a value L, where L < N.The method of AI / ML model monitoring according to any one of claims 1 to 15, further comprising:receiving a monitoring report configuration from the network, wherein the monitoring report configuration comprises a monitoring trigger and / or a monitoring resource configuration.The method of AI / ML model monitoring according to claim 16, wherein if a mean RSRP difference between a measured beam and a predicted beam exceeds a pre-defined threshold, the UE initiates an independent model performance monitoring based on a network-triggered configuration and utilizes a configured resource set for monitoring and generating a corresponding report.The method of AI / ML model monitoring according to claim 16, wherein if a smallest RSRP difference between predicted best beams and corresponding measurements exceeds a pre-defined threshold, or if a resource for model performance monitoring is not available, a beam sweeping is performed without an independent model monitoring.The method of AI / ML model monitoring according to claim 16, wherein if a mean RSRP difference between a measured beam and a predicted beam is less than a pre-defined threshold but a measured top-K beam ranking differs from a predicted ranking, another inference occasion is initiated using a same model or a different model for re-inference.The method of AI / ML model monitoring according to any one of claims 16 to 19, further comprising:performing data collection for monitoring based on the monitoring report configuration.The method of AI / ML model monitoring according to any one of claims 1 to 20, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a network side monitoring.The method of AI / ML model monitoring according to claim 21, wherein the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and performing the model performance monitoring by the UE comprises at least one of followings:comparing, by the UE, a buffered layer 1 reference signal received power (L1-RSRP) or a ranking of predicted beams; and / ortransmitting, by the UE, a triggering signal to the network within the CSI report of the top K beams if a best beam is different and / or a ranking difference exceeds a pre-defined threshold.The method of AI / ML model monitoring according to any one of claims 1 to 20, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a UE side monitoring.The method of AI / ML model monitoring according to claim 23, wherein the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and performing the model performance monitoring by the UE comprises at least one of followings:calculating, by the UE, an assistance information;reporting, by the UE, a monitoring request to the network within the CSI report of the top K beams; and / or receiving, by the UE, an indication from the network to trigger the model performance monitoring based on a decision of the network for the model performance monitoring.The method of AI / ML model monitoring according to any one of claims 1 to 20, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is a network configuration and is related to a network side monitoring.The method of AI / ML model monitoring according to claim 25, wherein the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and performing the model performance monitoring by the UE comprises at least one of followings:collecting, by the UE, an assistance information; and / orreporting, by the UE, the assistance information to the network, wherein the assistance information is used to determine to trigger the model performance monitoring if a best beam is different or a ranking difference exceeds a pre-defined threshold.The method of AI / ML model monitoring according to any one of claims 1 to 20, wherein the model performance monitoring is a network configuration and is related to a UE side monitoring.The method of AI / ML model monitoring according to claim 27, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, and performing the model performance monitoring by the UE comprises at least one of followings:calculating, by the UE, an assistance information; and / orreporting, by the UE, the assistance information to the network, wherein the assistance information is used to determine to trigger the model performance monitoring.A method of artificial intelligence / machine learning (AI / ML) model monitoring performed by a network, comprising:receiving a top-K beam report from a user equipment (UE) , wherein K is greater than or equal to 1;transmitting, to the UE, a report configuration of a top K-beam sweeping; andreceiving a channel state information (CSI) report of the top-K beams from the UE, wherein the CSI report of the top-K beams comprises a performance monitoring-related information.The method of AI / ML model monitoring according to claim 29, wherein the report configuration of the top-K beam sweeping is activated by at least one of followings: a field in a CSI measurement configuration, a downlink control information (DCI) , a medium access control-control element (MAC-CE) , and / or an indication.The method of AI / ML model monitoring according to claim 30, wherein the DCI comprises a DCI format 0_1 a DCI format 0_2, or a DCI format 0_x.The method of AI / ML model monitoring according to claim 30 or 31, wherein the DCI comprises a first field, the first field is used for CSI request monitoring and inference (MI) , and the first field comprisesbits, where K is determined in the report configuration of the top-K beam sweeping for model inference.The method of AI / ML model monitoring according to claim 30 or 31, wherein the DCI comprises a first field, the first field is used for report type indicator, and the first field comprises 1 bit.The method of AI / ML model monitoring according to claim 30 or 31, wherein the DCI comprises a first field, the first field is used for identifier for DCI formats, and the first field comprises 2 bits.The method of AI / ML model monitoring according to claim 34, wherein a CRC scrambling of the DCI comprises at least one of followings:a semi-persistent channel state information radio network temporary identifier (SP-CSI-RNTI)  / cell radio network temporary identifier (C-RNTI) combined with a predefined constant;a SP-CSI-RNTI / C-RNTI combined with an AI-related identifier (ID) ; and / oran AI-RNTI.The method of AI / ML model monitoring according to claim 30, wherein the MAC-CE comprise a 1-bit field or a 2-bit field occupying reserved bits for monitoring.The method of AI / ML model monitoring according to claim 30, wherein the indication is indicated by a radio resource control (RRC) signaling, or the indication is configured by the RRC signaling and indicated by the DCI, or the indication is configured by the RRC signaling and indicated by the MAC CE.The method of AI / ML model monitoring according to any one of claims 29 to 37, wherein the CSI report of the top K beams comprises a dual-functional report, the dual-functional report comprises a first function area and a second function area, the first function area corresponds to a model inference, and the second function area corresponds to a model performance monitoring.The method of AI / ML model monitoring according to claim 38, wherein the first function area indicates that a best beam among the top K beams has been confirmed.The method of AI / ML model monitoring according to claim 38, wherein the second function area indicates an assistance information of the model performance monitoring and / or an event triggering the model performance monitoring.The method of AI / ML model monitoring according to claim 38, wherein the assistance information of the model performance monitoring comprises at least one of followings: a beam ranking, a beam ranking error, a reference signal received power (RSRP) difference, a RSRP error ratio, and / or a probability error.The method of AI / ML model monitoring according to any one of claims 29 to 41, wherein during beam sweeping and beam reporting across all predicted N time instances, if a break condition is satisfied, remaining sweeping and reporting is skipped, and a model performance monitoring is proceeded, where N is greater than 1.The method of AI / ML model monitoring according to claim 42, wherein the break condition comprises at least one of followings:a statistical analysis of beam error meeting a preset condition;a statistical analysis of predicted value error meeting a preset condition;a network indication to stop sweeping; and / ora network indication providing a value L, where L < N.The method of AI / ML model monitoring according to any one of claims 29 to 43, further comprising:Transmitting, to the UE, a monitoring report configuration, wherein the monitoring report configuration comprises a monitoring trigger and / or a monitoring resource configuration.The method of AI / ML model monitoring according to claim 44, wherein if a mean RSRP difference between a measured beam and a predicted beam exceeds a pre-defined threshold, an independent model performance monitoring based on a network-triggered configuration is initiated and a configured resource set is used for monitoring and generating a corresponding report.The method of AI / ML model monitoring according to claim 44, wherein if a smallest RSRP difference between predicted best beams and corresponding measurements exceeds a pre-defined threshold, or if a resource for model performance monitoring is not available, a beam sweeping is performed without an independent model monitoring.The method of AI / ML model monitoring according to claim 44, wherein if a mean RSRP difference between a measured beam and a predicted beam is less than a pre-defined threshold but a measured top-K beam ranking differs from a predicted ranking, another inference occasion is initiated using a same model or a different model for re-inference.The method of AI / ML model monitoring according to any one of claims 29 to 47, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a network side monitoring.The method of AI / ML model monitoring according to claim 48, wherein the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and the model performance monitoring is performed by comparing a buffered layer 1 reference signal received power (L1-RSRP) or a ranking of predicted beams; and / or receiving, by the network, a triggering signal from the UE within the CSI report of the top K beams if a best beam is different and / or a ranking difference exceeds a pre-defined threshold.The method of AI / ML model monitoring according to any one of claims 29 to 47, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is initiated by the UE and is related to a UE side monitoring.The method of AI / ML model monitoring according to claim 50, wherein the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and the model performance monitoring is performed by calculating an assistance information; receiving, by the network, a monitoring request from the UE within the CSI report of the top K beams; and / or transmitting, by the network, an indication to the UE to trigger the model performance monitoring based on a decision of the network for the model performance monitoring.The method of AI / ML model monitoring according to any one of claims 29 to 47, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, the model performance monitoring is a network configuration and is related to a network side monitoring.The method of AI / ML model monitoring according to claim 52, wherein the report configuration of the top K-beam sweeping comprises a configuration related to both inference and monitoring, and the model performance monitoring is performed by receiving, by the network, the assistance information from the UE, wherein the assistance information is used to determine to trigger the model performance monitoring if a best beam is different or a ranking difference exceeds a pre-defined threshold.The method of AI / ML model monitoring according to any one of claims 29 to 47, wherein the model performance monitoring is a network configuration and is related to a UE side monitoring.The method of AI / ML model monitoring according to claim 54, wherein the report configuration of the top K-beam sweeping triggers a model performance monitoring, and the model performance monitoring is performed by receiving, by the network, the assistance information from the UE, wherein the assistance information is used to determine to trigger the model performance monitoring.A user equipment (UE) , comprising:a memory;a transceiver; anda processor coupled to the memory and the transceiver;wherein the UE is configured to perform any one of claims 1 to 28.A network, comprising:a memory;a transceiver; anda processor coupled to the memory and the transceiver;wherein the network is configured to perform any one of claims 29 to 55.

Images