System and method for enabling early inference in in-network learning within heterarchical intelligent collaboration sessions

Abstract

A method for signaling early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session enhances task execution and resource optimization in a communications network. In the first signaling phase, periodic view quality reports from HiC agents are received to detect potential early inference scenarios. Upon detection, a request is sent to configure necessary parameters, followed by assigning a new inference task with early inference instructions. The task includes patterns and parameters related to the INL HiC session, incorporating neural network models, optimization methods, hyperparameters, and communication paths. In the second signaling phase, the HiC agent reports early inference execution, enabling dynamic modifications to tasks and communication paths.

Description

SYSTEM AND METHOD FOR ENABLING EARLY INFERENCE IN IN-NETWORK LEARNING WITHIN HETERARCHICAL INTELLIGENT COLLABORATION SESSIONSTECHNICAL FIELD

[0001] The present disclosure relates to signaling mechanisms in distributed artificial intelligence (AI) systems. Specifically, the present disclosure relates to a system and a method for enabling early inference in In-Network Learning (INL) within Heterarchical Intelligent Collaboration (HiC) sessions in communication networks.BACKGROUND

[0002] The emergence of distributed AI and machine learning (ML) architectures has introduced the concept of In-Network Learning (INL) , where data processing and model training occur across multiple networked devices instead of at a centralized cloud-based system. The decentralized approach enhances efficiency, reduces latency, and allows for improved decision-making at the edge of the network. However, a challenge in INL systems is determining when and where an inference should take place to optimize computational resources and achieve faster responses.

[0003] Traditional approaches in distributed AI systems primarily rely on predetermined inference schedules or centralized decision-making. The traditional methods often fail to adapt dynamically to changing network conditions, leading to inefficiencies such as delays due to unnecessary reliance on centralized processing and excessive network communication. Nodes frequently transmit redundant data, increasing congestion and power consumption and lack of contextual adaptation. Existing methods do not account for real-time variations in data quality, node reliability, and environmental conditions.

[0004] Therefore, considering the foregoing discussion, there exists a need to overcome the aforementioned drawbacks.SUMMARY

[0005] The present disclosure provides a system, a method, and a computer program for early inference in an active In-Network Learning (INL) Hierarchical Intelligent Collaboration (HiC) session in a communications network. The present disclosure provides a solution to the existing problem of how to enable early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session by implementing efficient signaling mechanisms. An objective of the present disclosure is to provide a solution that overcomes at least partially the problems encountered in the prior art and provides an improved system and an improved method for detecting, scheduling, and executing early inference in a distributed learning environment. The present disclosure introduces a structured signaling framework that allows network nodes to make early inference decisions based on real-time contextual data, ensuring optimized computational efficiency, reduced communication overhead, and faster decision-making in INL HiC sessions.

[0006] One or more objectives of the present disclosure are achieved by the solutions provided in the enclosed independent claims. Advantageous implementations of the present disclosure are further defined in the dependent claims.

[0007] In one aspect, the present disclosure provides a method of signaling for early inference in an active In-Network Learning (INL) heterarchical Intelligent Collaboration (HiC) session in a communications network, the method includes a first phase of signaling and a second phase of signaling. During the first phase of signaling, the method includes receiving a plurality of periodic view quality reports, each report sent from a respective HiC agent, where a HiC agent is located within a respective node of the communications network. The method further includes detecting a potential early inference scenario from the received periodic context reports. The method further includes sending a request to set a plurality of items to support the detected potential early inference scenario. The method further includes sending a new inference task, together with early inference instructions for the new inference task, to an HiC agent identified by the set plurality of items, where the new inference task is related to patterns and parameters related to the received plurality of periodic view quality reports, where the patterns correspond to the active INL HiC session and includes information concerning a neural network model, an optimisation method, related hyperparameters and a communication path. In the second phase of signaling, the method includes further receiving from the HiC agent information about a triggering of the early inference and sending a modified task and / or communication path for the HiC agent based on the early inference instructions.

[0008] The method provides the ability to dynamically assess the conditions of network nodes through periodic view quality reports. The periodic view quality reports provide real-time insights into the quality of data observed at different nodes, the relevance of available modalities, the reliability of communication channels, and the overall network context. By leveraging the information, the system can intelligently detect potential early inference scenarios, ensuring that inference occurs at nodes best suited for processing, thereby reducing latency and improving decision-making speed. The two-phase signaling mechanism ensures a structured and efficient workflow for early inference. In the first phase, the system systematically detects early inference opportunities and configures the necessary parameters, such as defining new subgoal decomposition, assigning tasks to the appropriate HiC agents, and establishing optimized communication paths. The pre-emptive configuration minimizes computational delays and prevents unnecessary transmissions, reducing network congestion and power consumption. By tailoring inference tasks to real-time network conditions, the method enhances computational resource utilization, ensuring that processing power is allocated efficiently across the network.

[0009] In the second phase of signaling, the system executes early inference based on the predefined configurations while maintaining adaptability to real-time changes. When a HiC agent triggers an early inference event, the system promptly updates the task assignments and communication paths of affected nodes, ensuring smooth task execution without disruptions. The adaptability is helpful in dynamic environments where network conditions fluctuate, such as in autonomous systems, smart IoT deployments, and real-time analytics. Moreover, by integrating neural network models, optimization techniques, and hyperparameter adjustments into the inference task assignment, the system ensures that early inference decisions maintain high accuracy and reliability, even in decentralized architectures. Furthermore, the method significantly enhances scalability by enabling distributed learning systems to efficiently handle a growing number of nodes without a proportional increase in processing delays or communication overhead. Traditional centralized inference models struggle with scalability due to bottlenecks at central processing units, whereas the disclosed signaling framework decentralizes inference tasks, allowing each node to contribute intelligently based on its capabilities and contextual understanding. Additionally, the system’s ability to modify communication paths dynamically ensures robustness against node failures or degraded connections, enhancing overall system resilience. Overall, the proposed method provides a comprehensive signaling framework that optimizes not only early inference execution but also improves computational efficiency, network adaptability, scalability, and system robustness.

[0010] In an implementation form, one of the HiC agents is in a user equipment (UE) device of the communications network.

[0011] Placing a HiC agent in the UE device enables localized processing, reducing reliance on centralized servers and minimizing latency. The reduction in reliance enhances real-time adaptability to network changes, optimizes resource utilization at the edge, and improves overall system efficiency by distributing computational load across network nodes.

[0012] In an implementation form, one of the HiC agents is in a base station (BS) device of the communications network.

[0013] Deploying a HiC agent in the BS device enables efficient coordination between edge devices and the core network, reducing data transmission latency and improving real-time decision-making. The improvement in real-time decision-making enhances network adaptability, optimizes resource allocation, and ensures seamless goal decomposition and task reassignment in dynamic network conditions.

[0014] In an implementation form, the second phase of signaling further includes receiving information from the HiC agent regarding whether the HiC agent has been successful in implementing changes based on the early influence instructions.

[0015] The inclusion of a feedback mechanism in the second phase of signaling enhances the reliability of early inference by ensuring that assigned modifications, such as subgoal adjustments or communication path updates, are correctly applied before further processing. Applying subgoal adjustments or communication path updates prevents system inconsistencies and incomplete inference execution that could lead to inaccurate decision-making. The feedback loop also enables real-time adaptability by detecting failures or inefficiencies, allowing corrective actions like reassigning tasks, adjusting parameters, or reconfiguring network communication paths to maintain system performance. Additionally, it optimizes resource usage by preventing unnecessary downstream computations based on incomplete or erroneous inference results, reducing wasted processing power and network congestion.

[0016] In an implementation, the plurality of items includes a new subgoal decomposition assignment.

[0017] The inclusion of a new subgoal decomposition assignment enhances computational efficiency and task distribution in INL HiC sessions. By dynamically breaking down complex inference tasks into smaller, manageable subgoals, the system optimizes workload allocation across network nodes, reducing latency and improving parallel processing. The approach ensures that inference tasks are executed at the most suitable nodes based on their real-time computational capacity, data availability, and network conditions.

[0018] In an implementation form, the plurality of items further includes new communication paths.

[0019] The inclusion of new communication paths enhances data flow efficiency and adaptability in INL HiC sessions. By dynamically reconfiguring communication routes based on real-time network conditions, the latency is reduced, congestion is minimized, and reliable data transmission is ensured. The optimization prevents bottlenecks, improves resource utilization, and enhances fault tolerance by rerouting tasks in case of node failures or degraded connections, ultimately leading to more robust and scalable distributed learning.

[0020] In an implementation form, the plurality of items includes a desired reliability to declare the early inference.

[0021] By setting a predefined reliability level, the system minimizes the risk of premature or erroneous inferences, improving the overall precision of decision-making. The overall decision-making approach enhances system stability by ensuring that early inference is only triggered when sufficient data quality, network conditions, and computational resources are available. Additionally, it optimizes resource utilization by preventing unnecessary computations and reducing redundant data transmissions, leading to improved efficiency and robustness in distributed learning environments.

[0022] In an implementation form, the received report further includes the quality of views measured by a relevance indicator (RI) and a list of data modalities.

[0023] Including the quality of views measured by the RI and the list of data modalities in the received report enables intelligent and context-aware early inference decisions. By assessing the relevance of available data in real-time, the system can prioritize high-quality inputs, reducing the risk of inaccurate inferences. Additionally, incorporating a list of data modalities ensures that inference tasks are assigned based on the most suitable data sources, optimizing computational efficiency and resource utilization.

[0024] In an implementation form, the received report further includes the quality of the data available or observed at a plurality of children nodes in the communication network.

[0025] By accessing data quality at multiple nodes, the system can dynamically select the most reliable sources for inference, reducing errors and enhancing accuracy. This approach optimizes resource allocation, minimizes unnecessary data transmissions, and improves overall network efficiency by ensuring that inference tasks are executed based on high-quality, contextually relevant data.

[0026] In an implementation form, the received report includes the positioning and the experienced quality of the communication channel of the children nodes in the communications network.

[0027] Including the positioning and experienced quality of the communication channel of children, nodes enable efficient and adaptive task allocation in INL HiC sessions. By leveraging real-time location data and network quality metrics, the system can optimize communication paths, reduce latency, and enhance inference accuracy execution based on the spatial distribution and connectivity conditions of the nodes.

[0028] In an implementation form, the patterns include a required reliability threshold.

[0029] Incorporating a required reliability threshold in pattern detection ensures that early inference is triggered only when predefined accuracy and confidence levels are met, enhancing the robustness and precision of inference decisions by preventing premature or unreliable computations. Dynamically adjusting the required reliability threshold based on real-time network conditions and data quality optimizes resource utilization, minimizes errors, and improves overall system stability. The approach of dynamical adjustment also reduces unnecessary processing and network congestion, making distributed learning in INL HiC sessions more efficient and scalable.

[0030] In an implementation form, in the first phase of signaling, the receiving step is performed by an HiC Controller (HicC) node.

[0031] Performing the receiving step at the HiC Controller node centralizes decision-making and coordination, ensuring efficient processing of periodic view quality reports. The efficient processing enables real-time aggregation, analysis, and detection of potential early inference scenarios, leading to optimized task allocation and reduced latency. By acting as an intelligent orchestrator, the HiC-C node enhances system scalability, minimizes redundant signaling, and improves overall network efficiency in INL HiC sessions.

[0032] In an implementation form, in the first phase of signaling, the HicC controller node forwards the received information to an Application Function / Network Function (AF / NF) node.

[0033] Forwarding the received information from the HiC Controller node to the Application AF / NF node enables efficient network-wide decision-making and task orchestration. The efficient network-wide decision-making and task orchestration ensures that early inference configurations, such as task assignments and communication paths, are optimized based on broader network intelligence. By leveraging AF / NF capabilities, the system enhances scalability, reduces processing delays, and improves coordination between distributed nodes, leading to more adaptive and efficient INL HiC sessions.

[0034] In an implementation form, the AF / NF node sends the new inference task to the HiC Controller node.

[0035] Sending the new inference task from the AF / NF node to the HiC Controller enables task allocation using network-wide intelligence. The HiC Controller efficiently distributes tasks based on real-time conditions, enhancing adaptability, minimizing latency, and ensuring precise coordination across nodes for improved efficiency and reliability in INL HiC sessions.

[0036] In another aspect, the present disclosure provides a system comprising means adapted for carrying out all the steps of the method.

[0037] The system achieves all the advantages and technical effects of the method of the present disclosure.

[0038] It is to be appreciated that all the aforementioned implementation forms can be combined.

[0039] It has to be noted that all devices, elements, circuitry, units, and means described in the present application could be implemented in the software or hardware elements or any kind of combination thereof. All steps which are performed by the various entities described in the present application as well as the functionalities described to be performed by the various entities are intended to mean that the respective entity is adapted to or configured to perform the respective steps and functionalities. Even if, in the following description of specific embodiments, a specific functionality or step to be performed by external entities is not reflected in the description of a specific detailed element of that entity which performs that specific step or functionality, it should be clear for a skilled person that these methods and functionalities can be implemented in respective software or hardware elements, or any kind of combination thereof. It will be appreciated that features of the present disclosure are susceptible to being combined in various combinations without departing from the scope of the present disclosure as defined by the appended claims.

[0040] Additional aspects, advantages, features, and objects of the present disclosure would be made apparent from the drawings and the detailed description of the illustrative implementations construed in conjunction with the appended claims that follow.BRIEF DESCRIPTION OF THE DRAWINGS

[0041] The summary above, as well as the following detailed description of illustrative embodiments, is better understood when read in conjunction with the appended drawings. For the purpose of illustrating the present disclosure, exemplary constructions of the disclosure are shown in the drawings. However, the present disclosure is not limited to specific methods and instrumentalities disclosed herein. Moreover, those in the art will understand that the drawings are not to scale. Wherever possible, like elements have been indicated by identical numbers.

[0042] Embodiments of the present disclosure will now be described, by way of example only, with reference to the following diagrams wherein:

[0043] FIG. 1 is a block diagram that depicts a system configured for signaling for early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network, in accordance with an embodiment of the present disclosure;

[0044] FIG. 2 is a flowchart depicting a method of signaling for early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network, in accordance with an embodiment of present disclosure;

[0045] FIG. 3 is an exemplary diagram depicting a scenario of a first phase of signaling, in accordance with an embodiment of the present disclosure; and

[0046] FIG. 4 is an exemplary diagram depicting a scenario of a second phase of signaling, in accordance with an embodiment of the present disclosure.

[0047] In the accompanying drawings, an underlined number is employed to represent an item over which the underlined number is positioned or an item to which the underlined number is adjacent. A non-underlined number relates to an item identified by a line linking the non-underlined number to the item. When a number is non-underlined and accompanied by an associated arrow, the non-underlined number is used to identify a general item at which the arrow is pointing.DETAILED DESCRIPTION

[0048] The following detailed description illustrates embodiments of the present disclosure and ways in which they can be implemented. Although some modes of carrying out the present disclosure have been disclosed, those skilled in the art would recognize that other embodiments for carrying out or practicing the present disclosure are also possible.

[0049] FIG. 1 is a block diagram that depicts a system configured for signaling for early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network. With reference to FIG. 1, there is shown a block diagram that includes a system 100. The system 100 includes a user equipment (UE) device 102 communicably connected to a base station (BS) device 104 via a communication network 106. The system 100 further includes a fusion centre 108 connected to the BS device 104 and a HiC Controller 110. The HiC Controller 110 is coupled to the BS device 104 and the fusion centre (FC) 108. Further, the HiC Controller 110 is connected to core network function nodes 112.

[0050] The In-Network Learning (INL) enables distributed and collaborative processing by leveraging spatially dispersed clients. The INL approach enhances network resource utilization while preserving data privacy and reducing communication overhead. In the context of communication networks, the INL approach is structured into three distinct levels to handle AI learning tasks efficiently. The first level consists of devices that function as Feature Extractors (FE) , responsible for processing raw data and extracting relevant features before transmitting them further in the network. The devices minimize data transmission requirements by sending only essential information rather than full raw datasets. The second level comprises base stations that act as Local Intermediate Fusioners (LIF) , aggregating and refining the extracted features from multiple devices. The intermediate processing reduces the burden on central processing units and improves response times by performing preliminary inference tasks at the edge. Finally, the third level operates at the core network, serving as the FC 108, where the final aggregation, inference, and decision-making occur. The FC 108 ensures a global understanding of the distributed data, consolidates intermediate results and enhances AI model accuracy through comprehensive learning. By structuring INL into the heterarchical levels, communication networks achieve the balance between computational efficiency, reduced latency, and privacy preservation. The multi-tiered approach allows for adaptive AI learning while ensuring that relevant tasks are executed at the most suitable network nodes.

[0051] The system 100 represents an advanced early inference framework for In-Network Learning (INL) utilizing the Heterarchical Intelligent Collaboration (HiC) architecture. The present disclosure is based on the HiC technology (e.g., disclosed in Patent Application Number PCT / CN2022 / 135723, WO 2024 / 113288 A1) includes multiple nodes engaging in real-time data exchange and distributed decision-making, often under varying network conditions. The present disclosure is an improvement of the HiC technology discussed in Patent Application Number PCT / CN2022 / 135723, WO 2024 / 113288 A1.

[0052] HiC is a framework that operates within INL, enabling intelligent coordination, early inference, and efficient decision-making among nodes. While HiC utilizes INL’s three-level structure, it focuses on optimizing collaboration, signaling, and dynamic task allocation across these levels. The HiC is a standard architecture for intelligent collaboration between network elements (NEs) at different layers, including collaboration organization management, protocol interfaces, and interaction processes. The HiC efficiently organizes the collaboration between AI tasks on NEs / terminals in terms of space and time, supports the transmission of diversified intelligent representations between the NEs, and unifies the transmission format. In addition, collaboration is controllable, and collaboration patterns are scalable, and various collaborative learning modes are flexibly supported.

[0053] HiC is an advanced distributed intelligence framework designed for enhancing intelligent tasks across multiple nodes within a communication network. HiC enables the collaborative execution of AI-driven tasks by leveraging a network of heterarchical and self-organizing nodes. The HiC framework enhances the efficiency of AI model training and inference by ensuring seamless coordination among terminals, access network nodes, and core network nodes. The HiC framework consists of two primary types of nodes: the HiC Controller node and the HiC agent node. The HiC Controller node functions as the managing entity responsible for configuring, enhancing, and allocating tasks, while the HiC agent node executes the assigned intelligent collaboration tasks. The HiC framework supports different organizational models for intelligent collaboration. The HiC framework can function in a heterarchical mode, where the HiC Controller 110 manages and configures multiple HiC agent nodes, ensuring efficient execution of distributed tasks. In contrast, the HiC framework can also operate in a self-organizing mode, where HiC agent nodes negotiate among themselves to determine task execution without a central controlling entity. The flexibility allows the HiC framework to be scalable and adaptable, making it suitable for small-scale and large-scale distributed learning environments. In scenarios involving a large number of nodes, a combination of hierarchical and self-organizing modes can be used to balance efficiency and complexity.

[0054] One of the key advantages of HiC framework is its ability to dynamically allocate computational resources across multiple nodes. For example, after completing an intelligent collaboration task, the node can initiate a subsequent task based on the results of the previous one. If the first task involves AI model training, the trained model can be used for further inference or adaptive retraining at another node without needing to restart from an initial state. The approach improves node resource utilization and enhances communication efficiency, as each node can progressively refine its AI models without redundant processing.

[0055] The HiC framework also includes mechanisms for task authorization and configuration. Before the HiC agent node executes an intelligent collaborative task, it must first obtain authorization from the HiC-Controller 110. The authorization ensures that tasks are properly assigned and executed in a coordinated manner. The HiC Controller 110 determines which nodes will participate in a given task, assigns necessary computational resources, and ensures that data samples are sufficiently diverse to meet AI model training requirements. Once the HiC agent nodes are configured, they can execute their assigned tasks and report back to the HiC-Controller 110 for further coordination. In addition, the HiC framework incorporates a robust signaling mechanism for monitoring and optimizing ongoing tasks. The nodes participating in an intelligent collaborative task continuously exchange status updates with the HiC Controller 110 or with other HiC-agent nodes, depending on the organizational structure. If the HiC-agent node detects inefficiencies, such as insufficient data diversity or network congestion, it can trigger adaptive reconfiguration of the task execution plan. This allows HiC framework to dynamically respond to changes in network conditions, computational capacity, and task complexity, ensuring sustained performance across all participating nodes.

[0056] Overall, HiC represents a highly scalable, adaptable, and intelligent framework for distributed AI processing in communication networks. Its combination of hierarchical control and self-organizing capabilities allows for efficient task execution, reduced processing latency, and optimal resource utilization. By dynamically coordinating AI-driven tasks, HiC significantly improves the efficiency of AI applications in telecommunications, edge computing, and autonomous system.

[0057] The system 100 implements a two-phase approach to manage early inference in distributed networks. The first phase establishes an early inference scheduling mechanism, where HiC Agents continuously monitor and report view quality metrics, including Relevance Indicators (RI) , data modality availability, and device capabilities. The periodic reporting system enables the Application Function / Network Function (AF / NF) to identify potential early inference opportunities based on comprehensive context awareness. When such opportunities are detected, the HiC Controller orchestrates the necessary adjustments to network topology and communication paths, ensuring proper utilization of available resources. During the second phase, the system 100 focuses on the execution of early inference, implementing a sophisticated triggering mechanism that activates when reliability thresholds are met. The second phase is characterized by dynamic task redistribution and communication path optimization, allowing the network to maintain efficiency while ensuring inference quality. The system 100 supports both intra-modality fusion at Local Intermediate Fusion (LIF) nodes and inter-modality fusion at Fusion Center (FC) nodes, enabling comprehensive data integration while minimizing latency and resource consumption.

[0058] By incorporating reliability thresholds and context-aware decision-making, the system 100 ensures that early inference capabilities enhance rather than compromise the network's overall performance. The ability of the framework to dynamically adjust to changing network conditions, device capabilities, and data quality makes it particularly valuable in real-world applications where network conditions are rarely static. The adaptive approach not only improves the efficiency of distributed learning but also maintains the robustness necessary for reliable inference in complex network environments.

[0059] The UE device 102 refers to a mobile or edge computing device that participates in INL within the HiC framework. In some implementations, the UE device 102 may be a smartphone, IoT sensor, autonomous vehicle, or any computing-enabled terminal capable of collecting local data, executing learning tasks, and sending periodic context reports to the network. The UE device 102 functions as a distributed HiC agent, assisting in early inference by providing real-time environmental data, computational resource status, and communication metrics to the HiC Controller 110.

[0060] The BS device 104 refers to a cellular base station that facilitates communication between UE devices 102 and the core network while also serving as a processing and coordination node in the HiC framework. The BS device 104 aggregates context reports from multiple UEs, performs preliminary processing of learning tasks, and assists in early inference based on network conditions. Additionally, the BS device 104 helps in the management of task distribution, communication path selection, and network resource allocation to enhance the overall efficiency of the system 100.

[0061] The communication network 106 includes a medium (e.g., a communication channel) through which the UE device 102 communicates with the BS device 104. The communication network 106 may be wired or wireless. Examples of the communication network 106 may include, but are not limited to, a Local Area Network (LAN) , a wireless personal area network (WPAN) , a Wireless Local Area Network (WLAN) , a wireless wide area network (WWAN) , a cloud network, a Long-Term Evolution (LTE) network, a plain old telephone service (POTS) , a Metropolitan Area Network (MAN) , and / or Internet.

[0062] The FC 108 refers to a centralized or edge-based processing unit that plays a role in data aggregation, model fusion, and higher-level decision-making in the HiC network. The FC 108 processes task results from multiple UEs and BSs, integrates learning insights and refines the global learning model used across the network. It ensures that data from distributed nodes is synthesized, validated, and used effectively for real-time adaptation and optimization in the INL HiC session.

[0063] The HiC Controller 110 serves as the central orchestration node for managing early inference capabilities within the HiC distributed learning environment. The HiC Controller 110 acts as the primary coordinator between different network elements, receiving periodic view quality reports from HiC Agents deployed across the UE device 102, the BS device 104, and the FC 108. The periodic view quality reports contain metrics, including Relevance Indicators (RI) , data modality availability, child device quality assessments, and positioning information. The HiC Controller 110 processes the reports and interfaces with AF / NF nodes to identify potential early inference scenarios.

[0064] The core network function nodes 112 refer to Application Function (AF) and Network Function (NF) nodes within the 5G / 6G service-based architecture that manage network intelligence, policy control, and resource orchestration. The core network function nodes 112 nodes provide key network insights such as congestion levels, mobility patterns, security policies, and service prioritization, enabling the HiC framework to adapt learning strategies accordingly. The core network function nodes 112 also facilitate low-latency coordination between distributed HiC agents and core network services, ensuring efficient execution of in-network learning tasks while maintaining optimal network performance. In accordance with an embodiment, the HiC Controller node communicates with the AF / NF node.

[0065] There is provided the system 100, during the first phase of signaling, the system 100 is configured to receive a plurality of periodic view quality reports, each periodic view quality report sent from a respective HiC agent. The HiC agent is located within a respective node of the communications network. The plurality of periodic view quality reports represents a comprehensive reporting mechanism that forms the foundation of the early inference framework in the HiC session. The plurality of periodic view quality reports is systematically generated and transmitted by HiC Agents deployed across various network nodes to the HiC Controller 110. Each periodic view quality report encapsulates metrics that determine the feasibility and reliability of early inference decisions. In accordance with an embodiment, the received plurality of periodic view quality reports further includes the quality of views measured by relevance indicator (RI) and a list of data modalities. The RI indicates how relevant or important a particular node's data is to the current network objectives and assigned sub-goals. The RI ensures that only the most relevant data sources contribute to inference tasks, thereby optimizing computational efficiency and reducing unnecessary processing.

[0066] Additionally, the received plurality of periodic view quality reports includes the list of data modalities representing the types and sources of data available at each node, such as sensor inputs, image data, or structured logs. The received plurality of periodic view quality reports also captures information about the quality of data from child nodes, positioning details, and communication channel conditions. By leveraging the structured reporting mechanism, the system 100 dynamically determines where and when early inference should occur, ensuring adaptive learning, minimal latency, and efficient resource utilization in the HiC network.

[0067] In accordance with embodiment, the received periodic view quality reports further include the quality of the data available or observed at a plurality of children nodes in the communication network. By assessing the quality of data at various child nodes, the system 100 may dynamically determine which nodes are best suited for performing early inference tasks. Nodes with higher data reliability and better contextual relevance can be prioritized for processing, leading to more accurate and efficient decision-making. The efficient decision-making prevents scenarios where inference is performed on incomplete, noisy, or irrelevant data, thereby enhancing the precision and reliability of results. Additionally, the efficient decision-making feature supports intelligent task distribution and resource allocation. Since child nodes often have varying levels of computational power and network connectivity, understanding their data quality allows the system to optimize workload assignment, reducing bottlenecks and improving processing efficiency. Nodes with strong data quality can be assigned primary inference tasks, while those with lower-quality data may be designated as supporting nodes or excluded from specific inference processes. In accordance with an embodiment, the received periodic view quality reports include the positioning and the experienced quality of the communication channel of the children nodes in the communications network. Including the positioning and the experienced quality of the communication channel of the children nodes in the received periodic view quality reports provides essential information for optimizing early inference and task allocation in INL HiC sessions. Positioning data allows the system to understand the spatial distribution of nodes within the network, enabling intelligent selection of nodes for inference tasks based on their proximity to relevant data sources or processing units. Nodes that are closer to key data sources or other high-capacity processing nodes can be prioritized to reduce transmission latency and enhance computational efficiency. The experienced quality of the communication channel further ensures that inference tasks are assigned to nodes with stable and high-bandwidth connections, reducing the likelihood of transmission failures, packet loss, or delays. By dynamically assessing network conditions, the system 100 can reroute tasks through nodes with optimal connectivity, ensuring seamless execution of early inference without disruptions. The seamless executions also enhance network resilience by identifying and mitigating weak links in the communication chain, preventing bottlenecks that could degrade overall system performance. Together, positioning and communication quality data enable adaptive and efficient task scheduling, allowing for real-time optimization of inference execution.

[0068] In accordance with an embodiment, one of the HiC agents is in the UE device 102 of the communications network. The HiC Agents in UE device 102 operate at the edge of the network hierarchy, serving as a primary data collection and context monitoring point within the HiC session. In an implementation, the HiC agents in the UE device 102 perform continuous monitoring of its local context and generate structured periodic vie quality reports. The periodic view quality context reports include information about the UE's current state, such as the quality of available views from its sensors or data collection mechanisms, the RI that quantifies how well its current data aligns with assigned sub-goals and its relationship with other nodes in the network. The HiC then implement a standardized reporting schedule to ensure regular updates are transmitted to its parent node, typically the BS device 104, which then forwards this information up the network hierarchy to the HiC Controller 110.

[0069] Furthermore, the system 100 enables the HiC agents in the UE device 102 to maintain efficient context reporting through intelligent data aggregation and processing. Before transmitting each periodic view quality report, the HiC Agent in the UE device 102 evaluates and processes local context information to identify significant changes or patterns that may affect network performance. The processed information includes the current view quality metrics, the effectiveness of its assigned sub-goals, and its relationships with other network elements of the UE device 102. The HiC Agent also implements efficient data compression and formatting mechanisms to ensure that context reports are transmitted efficiently while maintaining all necessary information for network optimization. Additionally, the system 100 utilizes the HiC Agent in UE device 102 to implement dynamic adaptation mechanisms based on received pattern updates and goal decomposition changes. When the HiC Controller 110 distributes new patterns or modified sub-goals through the network hierarchy, the HiC agent in UE device 102 adjusts its local operations accordingly, updating its monitoring parameters and reporting criteria to align with new network requirements. The adaptive capability ensures that the UE device 102 remains an effective participant in the network's distributed learning process while maintaining optimal resource utilization. In accordance with an embodiment, one of the HiC agents is in the BS device 104 of the communications network. The HiC agents in the BS device 104 serve as an intermediate node in the hierarchical network structure, managing and coordinating communications between the UE device 102 and higher-level network elements such as the FC 108. The HiC agents in BS device 104 monitor and collect context information from its child nodes, including their view quality metrics, relevance indicators, and current sub-goal performance data. Second, it aggregates and processes this information to generate comprehensive periodic context reports that are transmitted to the HiC Controller 110.

[0070] Additionally, the HiC Agent in BS device 104 manages local fusion tasks, implementing and coordinating the execution of assigned sub-goals within its network segment. Furthermore, the system 100 utilizes the HiC Agent in BS device 104 to maintain efficient network operation through dynamic adaptation to changing conditions. When the HicC sends updated goal decomposition and pattern assignments, the HiC agent in BS device 104 implements these changes within its network segment, adjusting communication paths and fusion methods as needed.

[0071] The process of receiving periodic view quality reports represents a mechanism within the HiC early inference, each HiC Agents deployed across various nodes in the communication network generates and transmits structured assessment reports to the HiC Controller 110. The receiving periodic view quality reports are systematically generated through a multi-step process that ensures comprehensive capture of node capabilities and network conditions. The report generation process at each HicA begins with the collection of local metrics. The HiC agent first measures the quality of its views using RI, which quantifies data reliability through a standardized scoring system. The measurement incorporates factors such as data freshness, completeness, and accuracy. Concurrently, the HiC Agent performs an inventory of available data modalities, documenting each type of data (e.g., visual, audio, sensor readings) currently accessible at the node. For multi-modal scenarios, this includes a detailed characterization of each modality's quality and availability.

[0072] The system 100 is further configured to detect a potential early inference scenario from the received periodic view quality reports. The potential early inference scenario in the HiC represents a condition where certain nodes in the network demonstrate sufficient capability and reliability to perform inference tasks earlier in the processing pipeline, prior to complete data aggregation at the FC 108. The detection process is an analysis mechanism that evaluates multiple parameters from the received periodic view quality reports to identify opportunities for optimizing inference timing without compromising accuracy or reliability. The detection process begins with the HiC Controller 110 analysing the aggregated view quality reports received from various HiC agents. The system 100 evaluates several parameters to identify potential early inference opportunities. The parameters include the RI of the nodes, which quantify the quality and reliability of their data views, the availability and quality of different data modalities, the processing capabilities of the nodes, and the quality of communication channels between nodes. The system 100 particularly focuses on nodes designated as LFEs, as they are the primary candidates for early inference execution. The detection mechanism employs a multi-criteria analysis approach. First, the system 100 examines the RI values reported by nodes to determine if they meet or exceed predetermined quality thresholds. The thresholds are dynamically adjusted based on the specific requirements of the learning task and the overall network conditions. Secondly, the system 100 evaluates the stability and reliability of the communication channels between nodes, ensuring that any early inference decisions can be effectively communicated and coordinated. Third, it assesses the processing capabilities and current load of potential early inference nodes to ensure they can handle the additional computational requirements. In an implementation, the potential early inference scenario is confirmed when the following conditions are met for example, one or more nodes demonstrate consistently high RI values above the required threshold, the available data modalities at these nodes are sufficient for making reliable inference decisions, the communication channels maintain stable quality metrics, the nodes possess adequate processing capabilities to handle inference tasks, the positioning and network topology support efficient communication of early inference results.

[0073] Upon detecting a potential early inference scenario, the system 100 initiates a detailed assessment of the impact of enabling early inference at the identified nodes. The detailed assessment includes analyzing how the early inference may affect the overall learning process, evaluating the potential reduction in latency, and determining any necessary adjustments to communication paths and task assignments. The system 100 also considers the reliability requirements specific to the current learning task, ensuring that any early inference decisions maintain the required level of accuracy and confidence. The comprehensive detection mechanism enables the system 100 to identify and leverage opportunities for optimizing inference timing while maintaining the robustness and reliability of the distributed learning process.

[0074] The system 100 is further configured to send a request to set a plurality of items to support the detected potential early inference scenario. Upon detection of a potential early inference scenario, the AF / NF initiates a comprehensive request generation and transmission procedure designed to configure and establish the necessary framework for early inference execution across the network nodes. The request encompasses a carefully structured set of configuration items essential for enabling early inference capabilities. The items include the designation of specific nodes (either Feature Extractor or Local Intermediate Fusioner) for early inference execution, comprehensive reliability threshold specifications, and detailed communication path modifications. The system 100 generates unique early inference identifiers for each request, enabling precise tracking and management of early inference instances throughout the network.

[0075] Additionally, the request incorporates pattern specifications containing neural network models, optimization methods, and associated hyperparameters necessary for implementing the early inference tasks. The transmission of the configuration request follows a protocol, beginning with the AF / NF's compilation of all configuration items into a standardized format. The request package is then transmitted to the HiC Controller 110 through secure communication channels, incorporating redundancy checks and acknowledgement mechanisms to ensure data integrity. Upon receiving the request, the HiC Controller 110 processes the configuration items, validates their consistency and generates node-specific instruction sets for implementation. The instructions are subsequently disseminated to the relevant HiC Agents across the network, accompanied by specific implementation sequences and confirmation protocols. The request implementation includes control mechanisms to ensure the successful deployment of early inference capabilities. The control mechanisms encompass synchronization parameters for coordinated implementation, rollback procedures for handling potential failures, and comprehensive monitoring protocols for tracking configuration status. The system 100 maintains detailed performance measurement criteria to evaluate the success of the implementation and includes error-handling procedures with recovery mechanisms.

[0076] The system 100 is further configured to send a new inference task, together with early inference instructions for the new inference task, to the HiC agent identified by the set plurality of items. In accordance with an embodiment, the plurality of items includes a new subgoal decomposition assignment. The new subgoal decomposition assignment refers to the process of breaking down a complex primary objective into smaller, manageable subgoals, enabling efficient task execution and distributed processing. The decomposition ensures that each subgoal is assigned to specific nodes or agents within a system, facilitating parallel processing and optimized resource utilization. The assignment dynamically adapts based on real-time conditions, improving overall system efficiency and goal attainment. In accordance with an embodiment, the plurality of items further includes new communication paths. The communication path refers to the logical or physical route through which data packets, signals, or messages travel between nodes in a network. It defines the connection framework that enables efficient data exchange, ensuring reliable, low-latency, and optimized communication. The communication path may be dynamically adjusted based on network conditions, performance requirements, or specific tasks to enhance overall system efficiency and responsiveness.

[0077] In accordance with an embodiment, the plurality of items includes a desired reliability to declare the early inference. The desired reliability to declare early inference refers to a predefined threshold or confidence level that determines when an early inference decision can be made in a distributed learning system. The desired reliability to declare early inference metric ensures that the inference outcome meets accuracy, consistency, and stability criteria before execution, minimizing errors and optimizing system performance.

[0078] The process of sending a new inference task begins with the HiC Controller 110 constructing a comprehensive task package tailored for the identified HiC Agent, incorporating intricate specifications derived from the network's current state and the requirements of the early inference scenario. The new inference task package is architected as a multi-layered structure containing precisely defined components essential for early inference execution. The foundational layer comprises the core task definition, which encapsulates the mathematical models, computational frameworks, and processing pipelines necessary for inference execution. The processing pipelines are augmented with temporal specifications that govern execution timing, synchronization requirements, and deadline constraints. The package incorporates detailed pattern information corresponding to the active INL HiC session, including neural network architectures, weight distributions, optimization algorithms, and hyperparameter configurations. The detailed patterns are specifically calibrated to maintain inference accuracy while enabling accelerated processing at the edge nodes.

[0079] The transmission protocol implements a sophisticated delivery mechanism that ensures reliable task deployment while minimizing network overhead. The HiC Controller 110 initiates the transmission by establishing a dedicated communication channel with the target HiC Agent, incorporating error detection and correction mechanisms to maintain data integrity. The transmission sequence includes multiple verification stages, beginning with package integrity validation and progressing through resource availability confirmation, model compatibility verification, and execution environment preparation. Each stage incorporates specific acknowledgement requirements and fallback procedures to handle potential transmission or configuration failures. The task package includes comprehensive resource management directives that specify computational resource allocation, memory utilization parameters, and processing priority levels. These directives are dynamically adjusted based on the target node's capabilities and current load conditions, as reported through the periodic view quality reports. The package also contains detailed communication path specifications that define the routes and protocols for transmitting inference results, including alternate paths for handling network congestion or link failures.

[0080] The task deployment process incorporates a comprehensive verification system that ensures successful configuration and readiness for execution. Upon receiving the task package, the target HiC Agent performs a series of validation checks, including verification of model compatibility, resource availability, and execution environment readiness. The Hic Agent must provide detailed acknowledgement of successful configuration, including confirmation of model loading, resource allocation, and readiness to begin inference processing. The verification process includes multiple checkpoints to ensure all components are properly configured and synchronized before inference execution begins. Throughout the entire process, the system 100 maintains detailed logging and tracking mechanisms that record all aspects of task transmission and deployment. The logs include timing information, configuration parameters, verification results, and any modifications made during the deployment process. The comprehensive record-keeping enables detailed analysis of system performance and provides valuable data for optimizing future task deployments and improving overall system efficiency. The task transmission and deployment system include security mechanisms that protect the integrity and confidentiality of the transmitted information. The new inference task is related to patterns and parameters related to the received plurality of periodic view quality reports. The patterns correspond to the active INL HiC session and include information concerning a neural network model, an optimisation method, related hyperparameters and a communication path.

[0081] In the second phase of signaling, the system 100 is configured to receive from the HiC agent information about a triggering of the early inference. The triggering of early inference represents a decisive moment when a node determines that it has accumulated sufficient data quality and reliability to make accurate inference decisions before the complete data aggregation process. The triggering mechanism is initiated when the Hic Agent, which was previously configured for early inference capability, determines that it has met or exceeded the prescribed reliability thresholds. The determination is based on multiple parameters, including the quality of available data (measured through RIs) , the stability of communication channels, and the confidence levels in local processing results. For example, in a multi-modal learning scenario, the BS device 104 acting as a Local Intermediate Fusioner (LIF) might trigger early inference when it receives high-quality video and sensor data from multiple edge devices, achieving a reliability score above the predetermined threshold of 95%. The triggering information transmitted to the HiC Controller 110 contains several components, for example, the unique early inference identifier, the achieved reliability metrics, the precise timestamp of the triggering event, and the current state of relevant data modalities. The triggering information package also includes performance metrics that justify the triggering decision, such as data quality assessments, processing confidence levels, and resource utilization states. For example, the triggering message might indicate that the node has achieved 98%reliability in object detection tasks using synchronized data from three high-quality camera feeds, exceeding the minimum required threshold of 95%. Upon receiving the triggering information, the system 100 implements a comprehensive validation process to verify the legitimacy and timeliness of the early inference decision. The comprehensive validation includes checking the consistency of reported metrics against historical data, verifying the synchronization of timestamps with the global system state, and evaluating the potential impact of the early inference on the overall learning process. For example, in a distributed traffic monitoring system, the validation might confirm that a base station's early inference of traffic patterns is consistent with historical data patterns and current network conditions. The system 100 maintains a sophisticated logging and tracking mechanism for all triggering events, creating detailed records that include the circumstances leading to the trigger, the specific parameters that met or exceeded thresholds, and the subsequent actions taken by the network. The historical record becomes valuable for optimizing future early inference configurations and improving trigger condition definitions. For example, the system 100 may record that early inference triggers occurring during peak traffic hours consistently achieve higher accuracy rates, leading to refined threshold adjustments for different periods. Following the validation of the triggering information, the system 100 initiates a coordinated response that includes updating task assignments and communication paths for affected nodes. The response ensures that the network efficiently adapts to the early inference decision while maintaining overall system stability and performance. For example, when the BS device 104 triggers early inference for local traffic pattern recognition, the system might redirect upstream data flows and adjust processing priorities at neighbouring nodes to optimize resource utilization based on the new inference pathway.

[0082] In accordance with an embodiment, during the second phase of signaling, the system 100 is further configured to receive information from the HiC agent regarding whether the HiC agent has been successful in implementing changes based on the early influence instructions. The comprehensive reporting process ensures that the HiC Controller 110 maintains accurate awareness of the network's state and can respond appropriately to any implementation challenges. The implementation status reporting process begins immediately after a HiC agent attempts to execute the changes specified in the early inference instructions. The Hic agent constructs a detailed status report that encompasses multiple critical aspects of the implementation process. The status report includes confirmation of successful configuration changes, validation of new communication paths, verification of updated task assignments, and confirmation of resource allocation adjustments. The status report also contains specific performance metrics that demonstrate the successful implementation of changes, such as the establishment of new data processing pipelines, confirmation of model loading, and verification of updated threshold parameters. When transmitting implementation status information, the HiC agent includes key components in its report: a unique implementation reference identifier, timestamps of configuration changes, detailed success / failure indicators for each implemented change, and specific metrics demonstrating the effectiveness of the implemented changes. For unsuccessful implementations, the report includes comprehensive error information, identifying specific failure points, attempted recovery actions, and the current system state. The detailed reporting enables the HiC Controller 110 to understand precisely which aspects of the implementation succeeded or failed and to take appropriate corrective actions. The system 100 processes these implementation status reports through a sophisticated validation framework that verifies the consistency and completeness of the reported information. The framework includes cross-referencing reported changes against the original instructions, verifying timing consistency with network-wide operations, and evaluating the impact of successful or failed implementations on the overall early inference capabilities. The system 100 maintains detailed records of all implementation attempts and their outcomes, creating a valuable knowledge base for optimizing future early inference deployments and improving implementation success rates.

[0083] Upon validating the implementation status information, the system 100 initiates appropriate responses based on the reported outcomes. For successful implementations, the system 100 updates its network state information and proceeds with enabling early inference capabilities. For failed implementations, the system 100 activates predefined recovery procedures, which may include reverting changes, attempting alternative configurations, or adjusting network parameters to accommodate partial implementations. This responsive approach ensures that the network maintains optimal performance while effectively managing implementation challenges in the early inference system.

[0084] The system 100 is further configured to send a modified task and / or communication path for the HiC agent based on the early inference instructions. The transmission of modified tasks and communication paths represents a critical adaptation mechanism in the HiC early inference system, where the HiC Controller 110 reconfigures network operations to optimize performance based on triggered early inference capabilities. The process involves a restructuring of both computational assignments and data flow patterns to leverage the newly activated early inference nodes while maintaining system reliability and efficiency. The modified task generation process begins with the HiC Controller 110 performing a comprehensive analysis of the current network state and the implications of activated early inference capabilities. The system 100 generates new task specifications that reflect the updated processing requirements, including modified computational workflows, adjusted data processing sequences, and revised decision-making hierarchies. The modifications are precisely calibrated to take advantage of nodes that have achieved early inference capability while ensuring the continued operation of the broader network. For example, when a Local Intermediate Fusioner (LIF) node activates early inference, its task modifications might include new data aggregation patterns, updated fusion algorithms, and revised decision thresholds.

[0085] The communication path modifications involve the restructuring of data flow patterns within the network. The system 100 generates updated routing tables, bandwidth allocation schemes, and data transmission schedules that reflect the new processing capabilities enabled by early inference. These modifications ensure the efficient delivery of data to and from early inference nodes while maintaining optimal network resource utilization. The communication path updates include primary and backup routes, quality of service parameters, and specific timing requirements for data transmission.

[0086] The system 100 employs a transmission protocol that ensures reliable delivery of these modifications to the target HiC Agents. The transmission protocol includes error detection and correction mechanisms, acknowledgement requirements, and verification procedures to confirm the successful receipt and implementation of changes. The transmission process incorporates redundancy measures to handle potential network disruptions and ensures that all affected nodes receive consistent update information. The modification deployment includes robust monitoring and validation mechanisms to ensure successful implementation. The system 100 tracks the progress of modification deployment, verifies the correct application of changes, and monitors the impact on network performance. The monitoring enables rapid detection and correction of any implementation issues, ensuring a smooth transition to the modified operational state. The system 100 maintains detailed records of all modifications, creating a comprehensive audit trail that supports future optimization and troubleshooting efforts. Throughout the modification process, the system 100 maintains continuous operation of network functions while implementing changes. This is achieved through carefully orchestrated transition procedures that minimize disruption to ongoing processes while enabling new capabilities. The system includes sophisticated rollback mechanisms that can restore previous configurations if implementation issues arise, ensuring network stability and reliability throughout the modification process.

[0087] FIG. 2 is a flowchart depicting a method of signaling for early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network, in accordance with an embodiment of the present disclosure. With reference to FIG. 2, there is shown a flowchart of a method 200 of signaling for early inference in an active In-Network Learning (INL) heterarchical Intelligent Collaboration (HiC) session in a communications network. The method 200 includes steps 202 to 212.

[0088] The method includes two phases of signaling, i.e., a first phase of signaling, including steps 202 to 208 and a second phase of signaling, including steps 210 to 212.

[0089] At step 202, the method 200 includes receiving a plurality of periodic view quality reports, each report sent from a respective HiC agent, where an HiC agent is located within a respective node of the communications network. The process begins at the level of individual HiC agents, which are embedded within different nodes of the communications network. These nodes can be located in various network elements, such as user devices, base stations, or central servers. Each HiC agent is responsible for continuously collecting and analyzing local data related to the inference process. The HiC agent evaluates the relevance of the data available at its node. The evaluation of nodes is done using a relevance indicator (RI) , which provides a measure of the usefulness of the observed data for the inference process, the HiC agent records which types of data are available at its node, such as image data, sensor readings, or textual information, ensuring that inference tasks are assigned to nodes with suitable data sources. The HiC agent assesses the network conditions, including latency, bandwidth availability, and signal strength, which affect the efficiency of data transmission and processing. The HiC agent monitors the processing power, memory availability, and energy constraints of its node to determine whether it can perform early inference efficiently. Further, if the node has dependent child nodes, the HiC agent collects information about their data quality, network reliability, and positioning to ensure a comprehensive understanding of the distributed network environment. Once all relevant parameters are gathered, the HiC agent structures this information into a periodic view quality report, which is then prepared for transmission to a higher-level coordinating entity, such as the HiC Controller node.

[0090] After generating the periodic view quality report, each HiC agent transmits the report to the HiC Controller node using a predefined communication protocol. The transmission is designed to be efficient, ensuring that network bandwidth is not overloaded while maintaining the real-time nature of the reporting system. The frequency of these periodic reports is determined based on the network conditions and system requirements. In highly dynamic environments where data quality or network conditions change rapidly, reports may be sent at shorter intervals to ensure timely decision-making. In more stable environments, longer intervals may be used to reduce unnecessary communication overhead. Once the HiC Controller node receives a plurality of periodic view quality reports from multiple HiC agents across the network, it begins processing the information to assess the overall state of the system. The HiC Controller node aggregates and analyzes the received data by comparing view quality reports from different nodes, the system can determine which nodes have sufficient data quality and computational resources to execute early inference. The HiC Controller 110 node uses the received reports to assign inference tasks to the most suitable nodes dynamically, ensuring efficient resource utilization and reducing network congestion.

[0091] By continuously analyzing the communication quality metrics reported by each HiC agent, the system can identify potential bottlenecks or degraded network conditions that could impact inference performance. If reports indicate changing network conditions or variations in data quality, the HiC Controller node can update reliability thresholds, modify communication paths, or reassign tasks to maintain optimal system efficiency. The structured and periodic nature of the view quality reports ensures that the system remains highly adaptive and responsive to real-time changes in network conditions, data availability, and computational resource distribution.

[0092] At step 204, the method 200 further includes detecting a potential early inference scenario from the received view quality reports. Once the HiC Controller node receives periodic view quality reports from various HiC agents, it begins processing these reports to assess key parameters. One of the primary factors analyzed is the relevance indicator (RI) , which quantifies the quality and usefulness of the data available at each node. If a node consistently reports a high RI value, it indicates that the data at that node is highly relevant and suitable for performing inference. Conversely, low RI values may suggest that the data is incomplete, noisy, or not suitable for inference, leading the system 100 to defer inference to another node or request additional data collection. Additionally, the HiC controller node evaluates the list of data modalities included in the reports. Different inference tasks may require specific types of data, such as images, sensor readings, or textual information. If a node possesses the required data modalities with high quality, it becomes a strong candidate for early inference. Otherwise, the system 100 may look for alternative nodes with complementary data sources to improve inference accuracy. The quality of communication channels is another parameter in the detection process. If a node reports poor network conditions-such as high latency, low bandwidth, or frequent packet loss-attempting early inference at that node may lead to unreliable results or excessive retransmissions. On the other hand, nodes with stable and high-quality communication channels are preferred for early inference, as they can transmit results efficiently and with minimal delay.

[0093] Furthermore, the system 100 considers the computational resource availability of each node. The view quality reports provide insights into processing power, memory availability, and energy constraints. If a node has sufficient computational resources and is not overloaded with other tasks, it is more likely to be selected for early inference. Nodes that report high resource utilization may be deprioritized or assisted by offloading some computations to other nodes. The detection process also incorporates hierarchical and contextual factors. If a node has access to high-quality data but reports that its child nodes have better data quality or stronger processing capabilities, the system may prioritize those child nodes for early inference. This ensures that inference is performed at the most optimal point in the network rather than at an arbitrary location.

[0094] To finalize the decision, the HiC Controller node compares the detected conditions against predefined reliability thresholds. If a node meets or exceeds the required reliability conditions-including data quality, network stability, and computational readiness-it is flagged as a candidate for early inference. Once a potential early inference scenario is detected, the system proceeds to configure the necessary signaling mechanisms to initiate inference at the selected node while updating tasks and communication paths accordingly. By systematically analyzing these multiple parameters in real-time, the system ensures that early inference is only triggered when conditions are optimal, leading to improved efficiency, reduced latency, and enhanced overall performance in the INL HiC session.

[0095] At step 206, the method 200 further includes sending a request to set a plurality of items to support the detected potential early inference scenario. Once the HiC Controller node has analyzed the received view quality reports and identified a node that meets the necessary conditions for early inference, it must initiate a structured signaling process to configure the required settings for inference execution. The request is important for dynamically adapting the network and computational resources to ensure a seamless and efficient inference process. The request is generated by the HiC Controller node and is directed to the relevant network entities, such as the Application Function / Network Function (AF / NF) node or other HiC agents involved in the inference process. The request contains specific instructions and parameters necessary to configure the early inference task.

[0096] Once the request is generated, it is transmitted through a secure and predefined communication protocol to ensure reliable delivery. The AF / NF node, upon receiving the request, processes it and forwards the relevant instructions to the respective HiC agents and network nodes involved. These nodes then apply the necessary changes and acknowledge successful implementation back to the HiC Controller node. If any issues arise during execution, such as a failure to meet the reliability threshold, the system can initiate corrective actions, such as selecting an alternative node or modifying parameters dynamically. By implementing this structured request mechanism, the system ensures that early inference is executed only when all necessary conditions are met, leading to optimized decision-making, reduced latency, and improved overall network performance in INL HiC sessions.

[0097] At step 208, the method 200 further includes sending a new inference task, together with early inference instructions for the new inference task, to an HiC agent identified by the set plurality of items, where the new inference task is related to patterns and parameters related to the received plurality of periodic view quality reports, where the patterns correspond to the active INL HiC session and includes information concerning a neural network model, an optimisation method, related hyperparameters and a communication path. Once the HiC Controller node determines the optimal HiC agent for performing early inference, it compiles a new inference task that is specifically tailored based on patterns and parameters extracted from the received periodic view quality reports. These reports provide real-time information on data quality, computational resources, and network conditions, allowing the HiC-C node to generate contextually relevant inference tasks. The transmission of the new inference task follows a structured and reliable communication protocol to ensure efficiency and minimal latency. The HiC Controller node encapsulates the inference task and instructions into a standardized message format, which is then securely transmitted to the selected HiC agent. If required, this message may be routed through the AF / NF node, which facilitates optimized delivery by selecting the most efficient communication channel based on network conditions. Upon receiving the new inference task, the HiC agent acknowledges the message and initiates task execution. If any discrepancies arise-such as missing model parameters, insufficient computational resources, or unexpected network conditions-the HiC agent can send a feedback signal to the HiC Controller node, allowing the system to adjust the task parameters in real time. Additionally, if multiple nodes need to collaborate for distributed inference, supplementary instructions may be sent to other HiC agents, ensuring a balanced computational workload.

[0098] At step 210, the method 200 further includes receiving from the HiC agent information about a triggering of the early inference. Once the HiC Controller node has sent the new inference task and early inference instructions to the designated HiC agent, the HiC agent continuously monitors its internal conditions and environmental factors to determine the optimal moment for triggering early inference. The decision is based on predefined reliability thresholds, network conditions, computational resources, and data quality metrics received in the inference task instructions. When the HiC agent determines that the conditions for early inference are met-such as achieving a sufficient relevance indicator (RI) for data quality, stable communication channels, and available computational capacity-it triggers the early inference process. Immediately after initiating early inference, the HiC agent generates a status update message containing key information about the triggering event. This includes the timestamp of inference initiation, the identification of the inference task executed, the computed reliability score at the time of triggering, and any relevant adjustments made to inference parameters due to real-time environmental conditions.

[0099] The generated update message is then transmitted back to the HiC Controller node using a reliable and low-latency communication protocol. To ensure successful message delivery, the system may implement acknowledgment signals, error-checking mechanisms, or retransmission protocols in case of transmission failures. If multiple HiC agents are involved in distributed early inference, each agent sends its respective status update to allow the HiC Controller node to track the progression of inference tasks across the network.

[0100] Upon receiving the early inference trigger information, the HiC Controller node processes and validates the received data to confirm that inference was initiated under the expected conditions. If the reported reliability score or execution status does not meet the predefined criteria, the system may take corrective actions, such as modifying inference parameters, adjusting communication paths, or reassigning tasks to alternative nodes. Additionally, if the early inference affects other nodes in the INL HiC session, the HiC-C node updates task assignments and data routing paths accordingly to ensure seamless system operation. By implementing this structured receiving process, the system ensures real-time monitoring of early inference execution, enhances decision accuracy, optimizes resource allocation, and maintains overall network efficiency in the INL HiC session.

[0101] At step 212, the method 200 further includes sending a modified task and / or communication path for the HiC agent based on the early inference instructions. The process begins when the HiC Controller node receives confirmation from the HiC agent that early inference has been successfully triggered. Upon analyzing the reported status, the HiC-Controller node evaluates whether modifications are needed in task assignments or communication paths. Since early inference alters the expected flow of data and computations, certain downstream tasks, subgoal assignments, or communication strategies may need to be adjusted to ensure efficient system operation. If a modified task assignment is required, the HiC-Controller node formulates updated instructions specifying new computational objectives for the affected HiC agents. This may involve redistributing learning subgoals, refining model parameters, or delegating additional processing tasks to different nodes to balance the computational load. The modifications ensure that inference continues seamlessly and that no redundant or conflicting tasks are executed. The HiC-Controller node encodes these updates into a structured message and transmits it to the relevant HiC agents using a secure and efficient communication protocol. In cases where a communication path modification is necessary, the HiC-Controller node reconfigures the data flow between network nodes. Since early inference allows certain results to be generated earlier than expected, the subsequent data exchanges between nodes must be adjusted to reflect these changes. The HiC-C node updates the routing paths to ensure that inference results are efficiently transmitted to the appropriate decision-making nodes while minimizing unnecessary data transfers and reducing network congestion. These updates may involve bypassing certain intermediate nodes, prioritizing low-latency transmission routes, or dynamically adjusting bandwidth allocation to ensure optimal communication performance.

[0102] Once the modified task assignments and communication paths are determined, the HiC-Controller node sends the updated instructions to the affected HiC agents. The agents acknowledge receipt and begin implementing the changes, ensuring real-time adaptability in the INL HiC session. If any HiC agent encounters issues in applying the modifications-such as insufficient resources or connectivity problems-it can send a feedback response to the HiC Controller node, allowing the system to initiate corrective actions, such as reassigning the modified tasks to alternative nodes or fine-tuning network parameters. By implementing this structured modification process, the system ensures seamless integration of early inference results into the learning workflow, optimizes resource utilization, minimizes redundant computations, and enhances overall network efficiency, ultimately improving the performance and scalability of the INL HiC session.

[0103] The steps 202 to 212 are only illustrative, and other alternatives can also be provided where one or more steps are added, one or more steps are removed, or one or more steps are provided in a different sequence without departing from the scope of the claims herein.

[0104] There is provided a computer program comprising instructions that, when executed by a computer system, cause the computer system to implement the method 200. In an example, the instructions are implemented on the computer-readable media, which include, but are not limited to, Electrically Erasable Programmable Read-Only Memory (EEPROM) , Random Access Memory (RAM) , Read-Only Memory (ROM) , Hard Disk Drive (HDD) , Flash memory, a Secure Digital (SD) card, Solid-State Drive (SSD) , a computer-readable storage medium, and / or CPU cache memory.

[0105] FIG. 3 is an exemplary diagram depicting a scenario of the first phase of signaling, in accordance with an embodiment of the present disclosure. FIG. 3 is explained in conjunction with elements of FIGs. 1 to 2. With reference FIG. 3, there is shown an exemplary diagram 300 depicting a scenario of the first phase of signaling in an HiC session. The exemplary diagram 300 includes a section 302, including a node 304 of a HiC Agent in the UE device 102, a node 306 of an HiC Agent in the Learning Inference Function, and a node 308 of an HiC Agent in the FC 108. Further the exemplary diagram 300 includes the HiC Controller 110 and a node 310 of the application function (AF) or network function (NF) . A block 312 depicts an early inference mechanism, and a communication block 314 depicts a process and communication according to HiC.

[0106] In operation, the signaling process commences with the systematic generation and transmission of the plurality of periodic view quality reports via a path 316A from multiple HiC Agents to the HiC Controller 110. The plurality of periodic view quality reports implements a data collection mechanism where each agent continuously monitors and evaluates its operational parameters Upon receiving the plurality of periodic view quality reports, the HiC Controller 110 performs initial validation and processing before forwarding the aggregated information to the AF / NF 310 through a dedicated communication channel 316B. The AF / NF employs advanced analytics to process this information, implementing sophisticated algorithms to identify potential early inference opportunities. Based on the analysis, the AF / NF generates a specialized HiC Controller Query that contains detailed parameters for early inference implementation, including target node specifications, reliability threshold requirements, resource allocation parameters, performance metrics criteria. Following query processing, the AF / NF transmits a comprehensive HiC query to the HiC Controller via a path 318. The HiC Controller 110 processes the query and generates early inference instructions that incorporates pattern specifications for neural network models, optimization methodologies, hyperparameter configurations, communication path definitions, resource allocation directives and timing and synchronization requirements. The HiC controller 110 sends instructions after a multi-stage verification system before distributing them to the relevant HiC Agents. The processed instructions are distributed to HiC agents via a path 320. The receiving HiC agents execute the operation using a block 312, which implements a complex configuration process. Further, a monitoring device 326 continuously receives responses from HiC agents through a path 322 and detailed status via a path 324, maintaining comprehensive oversight of pattern execution across the network. When the current session needs to be terminated, the HiC Controller 110 initiates the termination process by sending an end HiC signal via a path 328. The end HiC signal is systematically distributed to all HiC agents in the network, ensuring orderly termination of the current HiC session. The termination process includes proper cleanup of resources, saving of relevant state information, and graceful shutdown of active processes across all network nodes.

[0107] FIG. 4 is an exemplary diagram depicting a scenario of a second phase of signaling, in accordance with an embodiment of the present disclosure. FIG. 4 is explained in conjunction with elements of FIGs. 1 to 3. With reference FIG. 4, there is shown an exemplary diagram 400 depicting a scenario of a second phase of signaling in HiC session. The exemplary diagram 400 includes the section 302, including the node 304 of HiC Agent in UE device 102, the node 306 of the HiC Agent in Learning Inference Function, and the node 308 of the HiC Agent in the FC 108. Further the exemplary diagram 400 includes the HiC Controller 110 and the node 310 of the application function (AF) or network function (NF) . The block 312 depicts an early inference mechanism, and the communication block 314 depicts process and communication according to HiC.

[0108] In operation, the process begins with the monitoring phase, where the HiC Controller 110 continuously receives from the HiC agent (for example, as illustrated in the embodiment of FIG. 4, the HiC agent in the UE device 102) information about a triggering of the early inference via a path 416. The triggering of early inference is being generated by the block 312. The HiC agents are positioned at different nodes of the communications network. Based on the received information, the HiC Controller 110 identifies the possibility of early inference and proceeds with signaling to enable the early inference process. The HiC Controller 110 transmits the HiC triggered early inference instructions to the relevant HiC agents via a path 418. The triggered early inference instructions specify the early inference patterns, related optimization parameters, and the necessary configuration for the agents to execute early inference. Upon receiving the triggered early inference instructions, the HiC agents process and communicate based on the defined HiC pattern as processed by the communication block 314. The processing includes executing inference tasks based on the distributed learning model, optimizing hyperparameters, and dynamically adapting the communication pathways for efficient inference execution.

[0109] The HiC Controller 110 then awaits a response from the HiC agents, confirming the successful execution of the early inference process. If successful, an acknowledgement signal is sent back to the HiC Controller 110, indicating that early inference has been successfully triggered and executed. The HiC Controller 110 then receives a status report via a path 422 from the HiC agents, detailing the execution results and the impact of early inference on overall system performance.

[0110] Further, the monitoring device 326 continuously receives responses from HiC agents and detailed status via a path 424, maintaining comprehensive oversight of pattern execution across the network. In the final phase, the HiC Controller 110 determines whether to continue monitoring or to conclude the HiC session based on the inference results. If the process has achieved the desired efficiency, the HiC controller 110 sends end signal via a path 428 marking the completion of the scheduled early inference execution.

[0111] Modifications to embodiments of the present disclosure described in the foregoing are possible without departing from the scope of the present disclosure as defined by the accompanying claims. Expressions such as "including" , "comprising" , "incorporating" , "have" , "is" used to describe and claim the present disclosure are intended to be construed in a non-exclusive manner, namely allowing for items, components or elements not explicitly described also to be present. Reference to the singular is also to be construed to relate to the plural. The word "exemplary" is used herein to mean "serving as an example, instance or illustration" . Any embodiment described as “exemplary” is not necessarily to be construed as preferred or advantageous over other embodiments or to exclude the incorporation of features from other embodiments. The word "optionally" is used herein to mean "is provided in some embodiments and not provided in other embodiments" . It is appreciated that certain features of the present disclosure, which are, for clarity, described in the context of separate embodiments, may also be provided in combination in a single embodiment. Conversely, various features of the invention, which are, for brevity, described in the context of a single embodiment, may also be provided separately or in any suitable combination or as suitable in any other described embodiment of the disclosure.

Claims

1.A method (200) of signaling for early inference in an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network, the method (200) comprising steps of:in a first phase of signaling:receiving a plurality of periodic view quality reports, each periodic view quality report sent from a respective HiC agent, where an HiC agent is located within a respective node of the communications network;detecting a potential early inference scenario from the received periodic view quality reports;sending a request to set a plurality of items to support the detected potential early inference scenario; andsending a new inference task, together with early inference instructions for the new inference task, to an HiC agent identified by the set plurality of items, where the new inference task is related to patterns and parameters related to the received plurality of periodic view quality reports, where the patterns correspond to the active INL HiC session and includes information concerning a neural network model, an optimisation method, related hyperparameters and a communication path;and in a second phase of signaling:receiving from the HiC agent information about a triggering of the early inference; andsending a modified task and / or communication path for the HiC agent based on the early inference instructions.2.The method (200) of claim 1, wherein one of the HiC agents is in a user equipment (UE) device (102) of the communications network.3.The method (200) of claim 1, wherein one of the HiC agents is in a base station (BS) device (104) of the communications network.4.The method (200) of claim 1, wherein the second phase of signaling further includes receiving information from the HiC agent regarding whether the HiC agent has been successful in implementing changes based on the early influence instructions.5.The method (200) of claim 1, wherein the plurality of items includes a new subgoal decomposition assignment.6.The method (200) of claim 5, wherein the plurality of items further includes new communication paths.7.The method (200) of claim 1, wherein the plurality of items includes a desired reliability to declare the early inference.8.The method (200) of claim 1, wherein the received plurality of periodic view quality report further includes the quality of views measured by relevance indicator (RI) and a list of data modalities.9.The method (200) of claim 8, wherein the received plurality of periodic view quality report further includes the quality of the data available or observed at a plurality of children nodes in the communication network.10.The method (200) of claim 9, wherein the received plurality of periodic view quality report includes the positioning and the experienced quality of the communication channel of the children nodes in the communications network.11.The method (200) of claim 1, wherein the patterns include a required reliability threshold.12.The method (200) of claim 1, wherein in the first phase of signaling, the receiving step is performed by an HiC Controller (HicC) node.13.The method (200) of claim 12, wherein in the first phase of signaling, the HicC controller node forwards the received information to an Application Function / Network Function (AF / NF) node.14.The method (200) of claim 13, wherein the AF / NF node sends the new inference task to the HicC node.15.A system (100) comprising means adapted for carrying out all the steps of the method (200) according to any preceding method claim.16.A computer program comprising instructions for carrying out all the steps of the method (200) according to any preceding method claim, when said computer program is executed on a computer system.

Images