System and method for updating active in-network learning heterarchical intelligent collaboration session

Abstract

A method for updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network is disclosed. The method includes receiving periodic context reports from HiC agents at network nodes and detecting context changes based on the reports. Upon detecting a change, a goal decomposition and assignment update is created. The active INL HiC session is then updated accordingly by transmitting information related to patterns and parameters derived from the context reports. These patterns include details about the neural network model, optimization methods, hyperparameters, and communication paths. The method enables dynamic adaptation to network changes, improving task allocation, resource utilization, and learning efficiency. By leveraging real-time context awareness, the approach ensures seamless collaboration and optimal performance in distributed AI-driven networks.

Description

SYSTEM AND METHOD FOR UPDATING ACTIVE IN-NETWORK LEARNING HETERARCHICAL INTELLIGENT COLLABORATION SESSIONTECHNICAL FIELD

[0001] The present disclosure relates to In-Network Learning (INL) and Heterarchical Intelligent Collaboration (HiC) in distributed communication networks. Specifically, the present disclosure relates to a system and a method for dynamically updating an active INL HiC session by detecting context changes, performing goal decomposition, and optimizing task assignments across network nodes.BACKGROUND

[0002] In-network learning (INL) has emerged as a useful approach for distributed training and inference in modern communication networks. Unlike traditional centralized learning paradigms, INL enables multiple nodes, such as user devices, base stations, and fusion centres, to collaboratively process data and refine machine learning models. The distributed approach, to some extent improves efficiency, reduces latency, and enhances adaptability. However, managing dynamic and heterogeneous environments in INL systems remains a major challenge, particularly when goals and contextual conditions frequently change.

[0003] Existing INL frameworks primarily operate under static goal assignments, where learning objectives are predefined and do not dynamically adjust to network changes. Some conventional architectures introduce hierarchical structures to coordinate learning tasks, but these lack the flexibility to support continuous goal adaptation. Additionally, current distributed learning techniques rely on rigid task assignment models that do not account for real-time network fluctuations, node availability, or computational load variations.

[0004] Moreover, conventional signaling methods in distributed AI systems often fail to incorporate efficient feedback loops for real-time context adjustments. Prior approaches lack a robust mechanism for detecting and responding to context changes dynamically, leading to inefficiencies in goal reassignment and resource utilization. Without a structured mechanism to manage dynamic goal decomposition, existing systems struggle with scalability, performance degradation, and increased communication overhead.

[0005] Therefore, in light of the foregoing discussion, there exists a need to overcome the aforementioned drawbacks.SUMMARY

[0006] The present disclosure provides a system, a method, and a computer program for updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network. The present disclosure provides a solution to the existing problem of how to dynamically detect context changes and efficiently perform goal decomposition and task assignment updates in an active INL HiC session within the communications network. Conventional INL systems rely on static or predefined task assignments, which fail to adapt to real-time variations in network conditions, computational resources, node availability, and communication constraints. Existing methods lack an efficient mechanism for continuously monitoring and responding to network dynamics, leading to inefficient resource allocation, increased communication overhead, delayed learning updates, and suboptimal performance in distributed AI-driven systems.

[0007] 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 dynamically updating an active INL HiC session in response to detected context changes. The proposed system receives periodic context reports from multiple HiC agents, detects changes in network topology, task performance, and resource availability, and accordingly restructures goal decomposition and task assignments. Additionally, the system updates neural network models, optimization methods, hyperparameters, and communication paths, ensuring real-time adaptability, efficient collaboration, and optimal learning performance across network nodes.

[0008] 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.

[0009] In one aspect, the present disclosure provides a method of updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network. The method includes receiving a periodic context report sent from a plurality of HiC agents at respective nodes of the communications network. The method further includes detecting a context change from the received periodic context report. The method further includes creating a goal decomposition and assignment update upon detecting the context change. The further includes updating an active INL HiC session for the communications network in accordance with the created goal decomposition and assignment update. The updating includes sending information related to patterns and parameters related to the received periodic context reports, wherein 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.

[0010] The method offers enhanced adaptability to context changes. By receiving periodic context reports from multiple HiC agents at different nodes, the method enables real-time detection of changes in network conditions, device availability, and computational constraints. The periodic context reports allow the system to dynamically adjust goal decomposition and task assignment strategies, ensuring optimal performance. Additionally, the method ensures efficient goal decomposition and task assignment by continuously updating task distributions whenever a context change is detected. Unlike traditional INL systems that rely on static assignments, the dynamic approach prevents inefficiencies and suboptimal learning outcomes.

[0011] Furthermore, the method manages resource allocation by analyzing periodic reports to distribute computational and communication resources based on current network conditions. Nodes with higher processing power handle more complex tasks, while lower-capacity nodes manage simpler ones, balancing workload distribution and reducing processing bottlenecks. Thus, the method results in lower latency and higher overall throughput. Further, by updating the INL HiC session with information related to neural network models, optimization methods, hyperparameters, and communication paths, the system continuously refines its learning models to adapt to changing environments, thereby improving system intelligence and predictive accuracy. The method also effectively reduces communication overhead and latency by implementing a structured periodic reporting mechanism. Instead of excessive and unnecessary data exchanges, updates are triggered only when significant context changes occur, preventing network congestion.

[0012] The method supports deployment across heterogeneous networks, including user equipment (UE) devices, base stations (BS) devices, and cloud servers. The distributed nature of the INL approach ensures fault tolerance, meaning that if a node fails or becomes unavailable, the system dynamically reassigns tasks without disrupting the learning process. Furthermore, the method enhances communication efficiency through adaptive path selection, dynamically updating communication routes based on context reports. This minimizes delays, prevents inefficiencies caused by static routing, and ensures optimal data transmission under varying network conditions. The method significantly improves decision-making in AI-driven networks by refining learning objectives and continuously updating the HiC session. The continuous update is particularly beneficial for applications in autonomous systems, edge computing, IoT networks, and intelligent telecommunications infrastructure, where adaptability to real-time changes is crucial. By addressing the limitations of prior approaches, the proposed method enhances overall system intelligence, responsiveness, and efficiency, making it a powerful solution for dynamic and distributed AI-driven networks.

[0013] In an implementation form, one of the HiC agents is in a user equipment (UE) device of the communications network.

[0014] 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.

[0015] In an implementation form, one of the HiC agents is in a base station (BS) device of the communications network.

[0016] 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.

[0017] In an implementation form, a context change is an addition of a node.

[0018] Detecting the context change due to the addition of the node enables seamless network expansion, improving scalability and computational capacity. The improved scalability and computational capacity allow for better load distribution, optimized resource utilization, and enhanced collaboration among nodes, leading to increased efficiency and adaptability in dynamic network environments.

[0019] In an implementation form, a context change is a removal of a node.

[0020] Detecting a context change due to the removal of a node allows the system to adjust task distribution dynamically. The adjustment helps maintain ongoing learning processes, ensures uninterrupted operation, and redistributes workloads among the remaining nodes in the network.

[0021] In an implementation form, the received periodic context report includes the available quality of views of child nodes of the communications network.

[0022] Including the available quality of views of child nodes in the periodic context report enables more informed decision-making for goal decomposition and task assignment. The improved decision-making improves the accuracy and efficiency of in-network learning by dynamically optimizing resource allocation, enhancing collaboration, and ensuring adaptive responses to varying network conditions.

[0023] In another implementation form, the received periodic context report further includes the relevance indicator (RI) for the available quality of views of the child nodes of the communications network.

[0024] Incorporating the RI for the available quality of views of child nodes enhances decision-making by prioritizing the most relevant data sources. Prioritization of the most relevant data sources improves learning efficiency, optimizes resource allocation, and ensures that task assignments are dynamically adjusted based on the most meaningful and high-impact information within the network.

[0025] In another implementation form, the received periodic context report further includes a relation between the available quality of views and their RI.

[0026] Including the relationship between the available quality of views and their RI in the periodic context report enables more precise task prioritization and adaptive decision-making. The task prioritization ensures efficient resource utilization, enhances collaborative learning, and improves the overall accuracy and effectiveness of in-network learning processes.

[0027] In an implementation form, the received periodic context report further includes a relation between the available quality of views and their RI and the currently assigned sub-goal.

[0028] Incorporating the relationship between the available quality of views, their relevance indicator (RI) , and the currently assigned sub-goal enhances context-aware decision-making. The context-aware decision-making allows for dynamic goal refinement, optimized task distribution, and improved learning efficiency by ensuring that resources are allocated to the most relevant and high-impact tasks within the network.

[0029] In an implementation form, the received periodic context report includes the positioning of the child nodes in the communications network.

[0030] Including the positioning of child nodes in the periodic context report enables optimized communication path selection and efficient task allocation based on spatial awareness. The efficient task allocation enhances network coordination, reduces latency, and improves overall system performance by dynamically adapting learning and collaboration strategies to the network topology.

[0031] In an implementation form, the created goal decomposition and assignment update relates to a modified communication path for the nodes of the communications network to support the new goal decomposition.

[0032] Modifying the communication path to support the new goal decomposition enhances network adaptability and efficiency by ensuring optimal data flow between nodes. The optimal data flow between nodes reduces latency, minimizes congestion, and improves resource utilization, leading to more effective collaboration and higher performance in distributed in-network learning processes.

[0033] In an implementation form, the updating of the active INL HiC session involves finding HiC patterns for each new sub-goal and sending updated information to the nodes whose task has been modified, or which have received a supplementary task.

[0034] Finding HiC patterns for each new sub-goal and updating relevant nodes ensures efficient task adaptation and seamless integration of changes in the INL HiC session. The seamless integration enhances learning convergence, optimizes resource allocation, and improves overall system responsiveness by dynamically aligning tasks with the evolving network context.

[0035] In an implementation form, the updating further includes informing involved nodes about a new communication path.

[0036] Informing involved nodes about a new communication path improves data routing efficiency, reduces latency, and minimizes communication overhead, which supports network adaptability, enhances resource distribution, and maintains seamless collaboration for better performance and reliability in the INL HiC session.

[0037] In an implementation form, the steps of the method are performed by an HiC Controller (HicC) node.

[0038] The HiC Controller node enables centralized coordination and real-time decision-making while preserving the flexibility of distributed execution. Aggregating and processing periodic context reports at the HiC Controller node allows for faster detection of context changes, precise goal decomposition, and efficient task assignment across the network. Managing updates at the HiC Controller node minimizes redundant signaling, enhances learning convergence, and improves overall network efficiency by dynamically adjusting neural network parameters, selecting appropriate optimization methods, and refining communication paths based on current network conditions.

[0039] In an implementation form, the HiC controller node communicates with an Application Function / Network Function (AF / NF) node.

[0040] The HiC Controller node communicates with the AF / NF node to integrate in-network learning (INL) with core network operations. The integration of the HiC Controller node communicates with the AF / NF node and enables real-time access to network intelligence, policy enforcement, and resource management, ensuring efficient goal decomposition and task assignment. By leveraging AF / NF insights on congestion, mobility, and service quality, the HiC controller enhances task allocation and communication paths. The interaction also enables low-latency coordination between edge and core networks, reducing response times for adaptive learning.

[0041] In another aspect, the present disclosure provides a system comprising means adapted for carrying out all the steps of the method.

[0042] The system achieves all the advantages and technical effects of the method of the present disclosure.

[0043] It is to be appreciated that all the aforementioned implementation forms can be combined.

[0044] 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.

[0045] 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

[0046] 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.

[0047] Embodiments of the present disclosure will now be described, by way of example only, with reference to the following diagrams wherein:

[0048] FIG. 1 is a block diagram that depicts a system for updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network, in accordance with an embodiment of the present disclosure;

[0049] FIG. 2 is a flowchart depicting a method for updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communication network, in accordance with an embodiment of the present disclosure; and

[0050] FIG. 3 is an exemplary diagram depicting signaling flow for dynamic goal decomposition and context-adaptive task assignment in a HiC session, in accordance with an embodiment of the present disclosure.

[0051] 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 OF EMBODIMENTS

[0052] 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.

[0053] FIG. 1 is a block diagram that depicts a system configured for updating 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. 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.

[0054] 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.

[0055] The system 100 is a comprehensive goal decomposition and context adaptation framework for distributed intelligent networks, designed to optimize collaboration between network elements using the Heterarchical Intelligent Collaboration (HiC) architecture. The HiC technology (e.g., disclosed in Patent Application Number 92028854PCT01, PCT / CN2022 / 135723) 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 92028854PCT01, PCT / CN2022 / 135723.

[0056] 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.

[0057] 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 hierarchical 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.

[0058] 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.

[0059] 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, 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.

[0060] 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.

[0061] The system 100 addresses the challenges of dynamic network environments, where network conditions, device capabilities, and context frequently change. The primary function of the system 100 is to optimize goal decomposition and task assignment in response to these changes, improving the efficiency of distributed learning, reducing communication overhead, and enabling more effective collaboration between network nodes. By leveraging periodic context reporting and dynamic goal decomposition, the system 100 maintains high learning performance even when network conditions fluctuate. Such fluctuations include the addition or removal of devices, variations in the quality of views from child nodes, changes in device positioning, and environmental factors affecting data collection.

[0062] The system 100, by utilizing the HiC architecture, follows three key phases: periodic context reporting from HiC agents to the HiC Controller 110, context change detection and goal decomposition updates by the AF / NF nodes, and the distribution of updated patterns and parameters to relevant network nodes. The structured approach enables more responsive adaptation to network dynamics, better utilization of available network resources, improved collaboration between network elements, and optimized assignment of sub-goals across network nodes. Furthermore, the system 100 enhances overall learning efficiency by dynamically updating communication paths, fusion methods, and node assignments based on real-time context. The system 100 effectively manages various forms of context changes, including environmental conditions affecting data collection, sensor parameter variations, general setting modifications (such as time and weather changes) , alterations in view complementarity and geometric relationships, and shifts in device mobility and network membership. By integrating these dynamic adaptation mechanisms, the system 100 ensures robust, scalable, and efficient intelligent collaboration across distributed network environments.

[0063] 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 dynamic goal decomposition by providing real-time environmental data, computational resource status, and communication metrics to the HiC Controller 110.

[0064] 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 adaptive goal decomposition 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.

[0065] 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.

[0066] 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.

[0067] The HiC Controller 110 refers to the central intelligence node responsible for coordinating goal decomposition, task assignment, and learning updates in the HiC system. The HiC Controller 110 receives periodic context reports from UEs, BSs, and FCs, detects context changes, and dynamically adjusts learning tasks, resource allocations, and communication paths. By interfacing with AF / NF nodes, the HiC Controller 110 ensures that the distributed learning process aligns with real-time network policies, quality of service (QoS) requirements, and computational resource availability. In accordance with an embodiment, the processing of the system 100 is performed by an HiC Controller node.

[0068] 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 Application Function / Network Function (AF / NF) node.

[0069] There is provided the system 100, the system 100 is configured to receive a periodic context report sent from a plurality of HiC agents at respective nodes of the communications network. The periodic context report is a standardized report format that is periodically transmitted from HiC Agents at different nodes in the communications network to the HiC Controller 110. In accordance with an embodiment, the received periodic context report includes the available quality of views of child nodes of the communications network. The available quality of views refers to the assessment of data streams and observations collected from different viewpoints within the network hierarchy. Specifically, each child node, which may be the UE device 102, sensor, or other network element, transmits information about the quality of its data collection capabilities and current observations to its parent node through the HiC agent. The available quality of views encompasses multiple aspects of data quality assessment. In particular, the system 100 processes metrics related to the fidelity, reliability, and completeness of the data being collected by each child node. The metrics may include, but are not limited to, signal strength indicators, data sampling rates, measurement accuracy levels, and sensor reliability parameters. The system 100 utilizes quality information to make informed decisions about goal decomposition and task assignment within the communication network.

[0070] Furthermore, the quality of view information enables the system 100 to assess the capability of each child node to contribute effectively to the overall network objectives. The system 100 processes this information to determine optimal task distribution and resource allocation across the network hierarchy. For instance, if a particular child node reports degraded quality metrics, the system 100 may redistribute tasks to other nodes with higher quality capabilities to maintain optimal network performance.

[0071] In some implementations, the system 100 maintains a dynamic registry of quality metrics for all child nodes, enabling real-time assessment of network capabilities and performance potential. The quality information is particularly important when the system 100 needs to adapt to changing network conditions or redistribute tasks among nodes. The quality of views data also aids in determining the reliability and usefulness of data collected from each child node, thereby influencing the weight given to each node's contribution to the overall network operations. Additionally, the system 100 utilizes the quality of view information to optimize communication paths and data fusion strategies. When multiple child nodes provide overlapping or complementary views, the system 100 can leverage the quality metrics to determine the most efficient way to combine or prioritize the available data streams. This optimization process ensures efficient resource utilization while maintaining the highest possible quality of network operations.

[0072] In accordance with an embodiment, the received periodic context report further includes the relevance indicator (RI) for the available quality of views of the child nodes of the communications network. The RI indicates how relevant or important a particular node's data is to the current network objectives and assigned sub-goals. Specifically, the system 100 utilizes the RI in conjunction with the quality of views to make intelligent decisions about task allocation and resource distribution across the network. Advantageously, the system 100 leverages RI values to optimize network resource allocation by prioritizing data streams with higher relevance to current objectives.

[0073] In accordance with an embodiment, the received periodic context report further includes a relation between the available quality of views and their RI. The combination of RI with quality metrics enables the system 100 to implement adaptive task distribution algorithms that consider both data quality and relevance when making goal decomposition decisions. For example, when a child node reports high-quality views but low RI values, the system 100 may reassign tasks to nodes with more relevant data streams, thereby improving overall network efficiency.

[0074] In accordance with an embodiment, the received periodic context report further includes a relation between the available quality of views and their RI and the currently assigned sub-goal. The system 100 uses the relationship between the available quality of views and their RI and the currently assigned sub-goal to make intelligent decisions about network optimization and task distribution. Specifically, the system 100 evaluates how the quality of data collected from each node aligns with its relevance to current objectives while simultaneously considering how these metrics support or impact the achievement of assigned sub-goals. In some implementations, the system 100 utilizes the relational information to perform dynamic optimization of network resources. For example, when a node demonstrates high-quality views and high RI values that strongly correlate with its assigned sub-goal, the system 100 maintains or reinforces this assignment. Conversely, if a node shows high-quality views but low RI values relative to its current sub-goal, the system 100 may initiate a goal decomposition update to align tasks with node capabilities and relevance better.

[0075] Furthermore, the system 100 leverages this relational information during context changes to ensure network resilience and adaptability. When environmental conditions or network parameters change, the system 100 evaluates how these changes affect the relationship between view quality, RI, and sub-goal achievement. For example, if environmental factors degrade the quality of views from a node with high RI for its current sub-goal, the system 100 can redistribute tasks to maintain network effectiveness while preserving the integrity of goal achievement. The dynamic adaptation mechanism ensures that the network maintains optimal performance even as conditions change by continuously evaluating and adjusting the relationship between these three critical parameters.

[0076] In accordance with an embodiment, the received periodic context report includes the positioning of the child nodes in the communications network. The positioning of the child nodes refers to their logical placement and relationships within the HiC network. The positioning of the child nodes indicates the hierarchical arrangement and organizational structure of nodes, particularly focusing on how they relate to the currently assigned sub-goals and their role in the distributed learning process. The positioning information processed by the system 100 defines the parent-child relationships between different network elements, including their connections to Local Intermediate Fusioners (LIFs) , Fusion Centres (FC) , and other nodes within the active INL HiC session. Further, the positioning of the child nodes specifies how nodes are positioned relative to their assigned sub-goals and tasks within the goal decomposition structure. Further, the positioning of the child nodes indicates the node's position in terms of data fusion and processing responsibilities within the network hierarchy. The system 100 utilizes the hierarchical positioning data to optimize the assignment of sub-goals, ensure efficient data fusion paths, and maintain effective collaboration between network elements. When context changes occur, such as nodes joining or leaving the network, the system 100 can quickly adapt the goal decomposition and task assignments based on the updated positioning information within the HiC architecture.

[0077] Furthermore, the positioning information enables the system 100 to maintain learning effectiveness by ensuring that nodes are appropriately positioned within the network hierarchy to fulfil their assigned sub-goals. The hierarchical positioning directly impacts how different views complement each other and their relationships with currently assigned tasks, making it a crucial component for dynamic context adaptation in the INL HiC framework. The plurality of HiC agents refer to multiple intelligent nodes within the communications network that participate in HiC for INL. The plurality of HiC agents is responsible for monitoring local conditions, executing assigned tasks, and reporting their status to the HiC Controller 110 having AF / NF nodes. 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.

[0078] In an implementation, the HiC agents in the UE device 102 perform continuous monitoring of its local context and generate structured periodic context reports. The periodic context reports include information about the current state of the UE device 102, 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 agents 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.

[0079] 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 context 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 UE's current view quality metrics, the effectiveness of its assigned sub-goals, and its relationships with other network elements. 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.

[0080] 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.

[0081] The system 100 is further configured to detect a context change from the received periodic context report. The detection process involves multiple stages of analysis and comparison performed by the HiC Controller 110 in conjunction with the Application Function / Network Function (AF / NF) . The context change refers to any significant alteration in network conditions that affects the distributed learning process within the HiC architecture. In accordance with an embodiment, a context change is an addition of a node. The system 100 recognizes the addition of a new node to the communications network as a specific type of context change that triggers network adaptation processes. When a new node joins the network, the system 100 detects this addition through the periodic context reports and initiates a reassessment of the current goal decomposition, as the new node may provide additional capabilities or views that could enhance network performance. The context change is particularly significant as it requires the system 100 to update task assignments, modify communication paths, and potentially redistribute sub-goals to optimize the utilization of the newly available network resources while maintaining efficient operation of the distributed learning process.

[0082] In accordance with an embodiment, a context change is a removal of a node. The system 100 identifies the removal of an existing node from the communications network as an important context change that necessitates immediate network reconfiguration. When a node exits the network, whether through planned disconnection or unexpected failure, the system 100 detects this removal through the absence of periodic context reports from that node and initiates a dynamic adaptation process. The context change may impact ongoing learning tasks and network efficiency, requiring the system 100 to redistribute sub-goals previously assigned to the removed node, reconfigure communication paths to maintain network connectivity and adjust fusion methods to compensate for the loss of the node's contributions to the distributed learning process.

[0083] The system 100 first aggregates the received periodic context reports from all network nodes, including the UE devices, Base Stations, and the Fusion Centres. The HiC Controller 110 processes these reports through a context analysis pipeline that compares current report parameters against previously stored network states. Specifically, the system 100 evaluates changes in multiple dimensions: the quality of views from child nodes, relevance indicators (RI) , relationships between views and current sub-goals, and the positioning of nodes within the network hierarchy.

[0084] Furthermore, the system 100 implements intelligent change detection algorithms that identify significant deviations in a network context. The algorithms analyse various forms of context changes, including modifications in environmental conditions affecting data collection, alterations in sensor parameters, changes in general settings such as time and weather conditions, and variations in how different views complement each other. The system 100 maintains threshold values for each context parameter, enabling it to differentiate between normal variations and significant changes that require network adaptation. Moreover, the system 100 utilizes a hierarchical analysis approach where context changes are evaluated at multiple levels. At the local level, changes in individual node contexts are assessed for their immediate impact on sub-goal achievement. At the network level, the system analyses how these local changes collectively affect the overall network performance and goal decomposition efficiency. When the system 100 detects that context changes exceed predetermined thresholds or significantly impact current goal achievement, it triggers the creation of a new goal decomposition and assignment update.

[0085] Additionally, the system 100 implements temporal analysis mechanisms to track context evolution over time. The temporal analysis includes maintaining historical context data to identify patterns and trends in network behaviour, enabling the system to distinguish between temporary fluctuations and persistent changes that require network adaptation. The detection process also considers the semantic interpretation of context changes in relation to assigned sub-goals, ensuring that only relevant changes trigger network updates. The system 100 further incorporates predictive analysis capabilities that anticipate potential context changes based on observed patterns and trends. The predictive component enables the system to prepare for likely changes before they become critical, improving network responsiveness and adaptation efficiency. Upon detecting a significant context change, the system 100 initiates the update process by forwarding the analysed context information to the AF / NF for goal decomposition optimization.

[0086] Furthermore, the system 100 employs RI metrics to enhance its decision-making capability during context changes. When network conditions change, the system 100 evaluates the updated RI values to determine which nodes'data contributions remain most relevant to the current goals, enabling dynamic adaptation of the network configuration. This adaptive mechanism ensures optimal utilization of network resources while maintaining focus on the most relevant data sources for achieving network objectives.

[0087] The system 100 is further configured to create a goal decomposition and assignment update upon detecting the context change. The system 100 first analyses the detected context change to understand its impact on the current network configuration. This analysis includes evaluating how the change affects existing sub-goals, node capabilities, and network performance. The system 100 processes information from periodic context reports to assess the current state of all nodes, their view qualities, relevance indicators (RI) , and their relationships with assigned sub-goals. Upon completing the context analysis, the system 100 initiates the goal decomposition process. Here, the system 100 decomposes the global goal G0 into atomic sub-goals using compositional LOGIC language. For example, the system 100 may express the decomposition as  where each G0 (k) represents an atomic sub-goal that can be assigned to specific nodes in the network. The system 100 then performs task assignment optimization based on the new goal decomposition. During this phase, the system 100 evaluates each node's capabilities, current performance metrics, and position within the network hierarchy to determine optimal sub-goal assignments. The system 100 considers factors such as view quality, relevance indicators, and node relationships to ensure the efficient distribution of tasks across the network. The system 100 updates communication paths to support the new goal decomposition. The updates involve determining optimal routes for data transmission between nodes, establishing new fusion points where necessary, and ensuring efficient information flow through the network hierarchy. The system 100 considers network topology and node relationships when designing these communication paths. Finally, the system 100 generates new patterns corresponding to the updated goal decomposition and assignments. The newly generated patterns include specifications for neural network models, optimization methods, and related hyperparameters. The system 100 ensures that the generated patterns align with the capabilities of assigned nodes and support the efficient achievement of the decomposed sub-goals. Furthermore, the system 100 implements verification mechanisms throughout this process to ensure the created updates maintain network performance and learning effectiveness. The goal decomposition and assignment update process are designed to be dynamic and responsive, allowing the system 100 to adapt quickly to changing network conditions while maintaining optimal performance.

[0088] The system 100 is further configured to update an active INL HiC session for the communications network in accordance with the created goal decomposition and assignment update. The system 100 processes new goal decompositions to identify required HiC patterns for each sub-goal, including neural network models, optimization methods, learning hyperparameters, and updated communication paths. Once these patterns are determined, the system 100 updates affected nodes by distributing task update packages containing new sub-goal assignments, execution patterns, modified fusion methods, and optimization parameters. To implement these changes, the system 100 reconfigures communication paths by informing nodes of their updated serving Local Intermediate Fusioner (LIFs) or Fusion Centres (FCs) , updating parent-child relationships, establishing new data routing paths, and configuring fusion points. For nodes involved in data fusion, the system 100 generates and distributes new fusion patterns, updates fusion rules for LIFs and FCs, and configures aggregation protocols. Finally, to ensure synchronization, the system 100 verifies update receipt, confirms pattern implementation, validates communication paths, and monitors initial performance, ensuring seamless adaptation and network efficiency.

[0089] In accordance with an embodiment, the created goal decomposition and assignment update relate to a modified communication path for the nodes of the communications network to support the new goal decomposition. When the system 100 creates a new goal decomposition, it simultaneously determines the most efficient communication structure needed to support the updated task assignments and data flow requirements between network nodes. In an implementation, the system 100 analyses the relationships between newly assigned sub-goals and determines the optimal routing of information between nodes to support these goals. The modified communication paths are designed to minimize latency, reduce network overhead, and ensure efficient data transmission between nodes that need to collaborate on related sub-goals. For example, if two nodes are assigned interdependent sub-goals, the system 100 establishes direct communication paths between them through appropriate LIFs (Local Intermediate Fusioner) or FCs (Fusion Centres) to facilitate efficient data exchange and coordination.

[0090] Furthermore, the system 100 ensures that the modified communication paths align with the hierarchical structure of the HiC while supporting the new goal decomposition requirements. The communication paths include establishing appropriate connections between child nodes and their new parent nodes, configuring fusion points where multiple data streams need to be combined, and setting up efficient routes for transmitting results to higher-level nodes in the network hierarchy. The system 100 also considers the network's resource constraints and bandwidth limitations when designing these modified communication paths, ensuring that the new routing structure can effectively support the data flow requirements of the updated goal decomposition while maintaining optimal network performance. The updating includes sending information related to patterns and parameters related to the received periodic context 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.

[0091] In accordance with an embodiment, the updating of the active INL HiC session involves finding HiC patterns for each new sub-goal and sending updated information to the nodes whose task has been modified, or which have received a supplementary task. The system 100 first analyses each new sub-goal to determine its specific requirements and characteristics. For each sub-goal, the system 100 identifies appropriate patterns that include multiple components, for example, the required neural network model architecture suited for the sub-goal's learning requirements, specific optimization methods needed for efficient task execution, the hyperparameters necessary for model training and optimization, the communication protocols required for data exchange with other nodes, the fusion methods needed for combining data from multiple sources. Furthermore, the system 100 implements pattern-matching algorithms that consider multiple factors when selecting appropriate patterns for each sub-goal. The multiple factors include the computational capabilities of the assigned node, the type and quality of data available at the node, the node's position within the network hierarchy, the relationship between the sub-goal and other related tasks and the resource constraints and efficiency requirements. The system 100 also ensures that the selected patterns are compatible with the overall network architecture and support efficient collaboration between nodes. Once appropriate patterns are identified, the system 100 packages this information along with necessary configuration parameters and distributes it to the affected nodes. For nodes receiving modified tasks, the system 100 provides delta updates that specify changes to existing patterns. For nodes receiving supplementary tasks, the system 100 provides complete pattern information required for implementing the new functionality. Moreover, the system 100 maintains a verification mechanism to ensure that distributed patterns are successfully implemented at each node. The verification mechanism includes monitoring pattern deployment, validating correct implementation, and confirming that nodes can effectively execute their assigned tasks using the provided patterns. The system 100 also implements fallback mechanisms to handle cases where pattern implementation encounters issues, ensuring robust network operation.

[0092] In accordance with an embodiment, the updating further includes informing involved nodes about a new communication path and implements a structured process for informing involved nodes about new communication paths as part of the active INL HiC session update. The system 100 generates comprehensive path update notifications that specify the modified routing structure, including new parent-child relationships, updated serving LIFs (Local Intermediate Fusioner) and FCs (Fusion Centres) , and changes in data transmission routes between network elements. In an implementation, the system 100 distributes these communication path updates through the HiC Controller 110 to all affected nodes in the network. The updates contain specific information about each node's new position within the network hierarchy, including its updated parent node for data transmission, any new child nodes it must serve, and modified fusion relationships with other network elements. For instance, when a node's serving LIF changes, the system 100 provides it with the necessary connection parameters, authentication credentials, and routing information required to establish the new communication link.

[0093] Furthermore, the system 100 ensures reliable path update implementation through a verification mechanism. After distributing the new communication path information, the system 100 monitors the establishment of new connections, verifies successful path modifications and confirms that all affected nodes can effectively communicate through their updated routes. This verification process includes checking the integrity of new parent-child relationships, validating data flow through modified fusion points, and ensuring that all nodes can maintain efficient communication within the updated network structure.

[0094] FIG. 2 is a flowchart depicting a method of updating 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. 3, there is shown a flowchart of a method 200 of updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network. The method 200 includes steps 202 to 208.

[0095] At step 202, the method 200 includes receiving a periodic context report sent from a plurality of HiC agents at respective nodes of the communications network. The HiC agents, located in the UE device 102, the BS device 104, and the fusion centre 108, continuously monitor their local conditions, network parameters, and learning task performance. At predefined intervals, each HiC agent generates a structured report containing key metrics such as network signal strength, processing capabilities, task execution status, the available quality of views, the relevance indicators (RI) , and node positioning information. The periodic context reports are encoded using efficient data formats (e.g., JSON, Protocol Buffers) and transmitted using optimized communication protocols such as 5G Service-Based Architecture (SBA) APIs, MQTT, or HTTP / 2 to ensure minimal latency and communication overhead.

[0096] Upon transmission, the system 100 actively listens for incoming periodic context reports through a dedicated reception module. The system 100 first performs data integrity checks to ensure the reports are complete, uncorrupted, and properly formatted. Any duplicate or outdated reports are filtered out to maintain consistency and accuracy in network state assessment. Additionally, a time-synchronization mechanism aligns reports from different HiC agents, ensuring that all received data is contextually relevant and temporally consistent. Once validated, the extracted information is parsed and structured into the system’s context management database, allowing for real-time analysis and decision-making. The system then compares the newly received reports with historical data to detect context changes such as new node additions, node failures, variations in network quality, or shifts in task performance. By leveraging the periodic context reports, the system 100 ensures continuous situational awareness of the network, enabling proactive resource optimization, efficient task reassignment, and real-time learning adaptation. This process is fundamental to dynamic goal decomposition and adaptive HiC collaboration, ensuring that the network remains efficient, scalable, and responsive to evolving conditions.

[0097] At step 204, the method 200 further includes detecting a context change from the received periodic context report. The system 100 analyses the received reports and compares them against historical data, predefined thresholds, and predictive models to determine if a significant deviation has occurred. The context changes may include the addition or removal of a node, fluctuations in network bandwidth, changes in the quality of views from child nodes, variations in the RIs, shifts in node positioning, or environmental factors affecting data collection.

[0098] To detect a context change, the system 100 processes the key parameters within the periodic reports using machine learning-based anomaly detection algorithms, statistical thresholding, or rule-based comparisons. If the system 100 identifies deviations that exceed predefined thresholds-such as a new device joining the network, a node failure, significant changes in available computational power, or variations in task execution efficiency-it triggers an adaptive response mechanism. This ensures that the network proactively adjusts goal decomposition, task assignments, and communication paths in real-time. By continuously monitoring and detecting changes, the method 200 enhances the scalability, fault tolerance, and overall intelligence of the HiC, allowing it to operate efficiently under dynamic and unpredictable conditions.

[0099] At step 206, the method 200 further includes creating a goal decomposition and assignment update upon detecting the context change. The goal decomposition involves breaking down a high-level objective, such as optimizing network learning performance, into smaller sub-goals that can be efficiently distributed. The system 100 evaluates the context change by assessing scalability needs, failure recovery strategies, and resource optimization requirements. For instance, if a new node joins, the system determines how it can contribute; if a node is removed, its tasks are reassigned, and if bandwidth fluctuates, computational loads are adjusted to prevent congestion. Once affected learning tasks are identified, the system refines sub-goals based on updated network conditions, ensuring optimal task allocation by considering computational load balancing, data relevance, and latency minimization. Nodes with high computational capacity handle intensive tasks, while lightweight tasks are assigned to low-power devices. Data relevance and sensor quality are prioritized, ensuring nodes with the most critical data contribute effectively. Following goal decomposition, the system updates task assignments by notifying affected nodes through the HiC Controller or AF / NF nodes. The updates include revised roles, expected data inputs, processing requirements, and collaboration details to ensure a seamless transition without disrupting the ongoing INL session. Each node receives updated execution parameters, including modifications to neural network models, optimization methods, and communication paths tailored to the new learning environment.

[0100] To verify successful implementation, the system continuously monitors execution through subsequent periodic reports, making dynamic refinements if inefficiencies or bottlenecks arise. This dynamic approach enhances scalability by seamlessly integrating or rebalancing tasks when nodes enter or exit, improves efficiency by optimizing resource allocation, minimizes latency by reducing unnecessary communication overhead, and boosts adaptability by enabling real-time adjustments based on network conditions. Advantageously, the HiC framework maintains optimal learning performance by intelligently restructuring objectives, fostering efficient collaboration, and sustaining seamless network operations in a constantly evolving environment.

[0101] At step 208, the method 200 further includes updating an active INL HiC session for the communications network in accordance with the created goal decomposition and assignment update. The updating includes sending information related to patterns and parameters related to the received periodic context 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. The update ensures that the distributed learning process remains efficient, adaptive, and aligned with the current network conditions. The updating process includes transmitting information related to patterns and parameters extracted from the periodic context reports received from the HiC agents at various network nodes. These patterns correspond to the active INL HiC session and encapsulate key elements such as the neural network model being used, the optimization method applied to the associated hyperparameters, and the updated communication path for data exchange among nodes.

[0102] To implement the update, the HiC Controller 110 analyse the extracted patterns and identifies necessary modifications to the machine learning models and their execution strategies. If the neural network model requires adjustment, updates are sent to relevant nodes, instructing them to either retrain or fine-tune their local models based on the latest data and computational capabilities. The optimization method (e.g., gradient descent, reinforcement learning strategy, or federated learning algorithm) is also revised, ensuring that the system maximizes learning efficiency under current network constraints. Additionally, hyperparameters-such as learning rate, batch size, or training iterations-are fine-tuned to reflect the latest network state, preventing inefficiencies caused by outdated configurations.

[0103] Beyond learning-specific updates, the method 200 also involves modifying the communication path between nodes, ensuring that data exchange remains optimal given the newly detected context changes. The modifications may include rerouting information flow to avoid network congestion, adjusting the hierarchy of collaboration among nodes, or reassigning roles in federated learning setups. The system 100 sends these updates to all affected nodes, ensuring that each HiC agent seamlessly transitions to the revised session parameters without disrupting the overall network operation. By continuously refining patterns and parameters in response to real-time changes, the method enhances learning convergence, reduces latency, optimizes resource allocation, and ensures that the INL HiC session remains robust and scalable in a dynamic communication environment.

[0104] The steps 202 to 208 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.

[0105] 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.

[0106] FIG. 3 is an exemplary diagram illustrating signaling flow for dynamic goal decomposition and context-adaptive task assignment in the HiC session, 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 signaling flow for dynamic goal decomposition and context-adaptive task assignment in the HiC session.

[0107] The exemplary diagram 300 includes a section 302, including a node 304 of an HiC Agent in UE device 102, a node 306 of a HiC Agent in Local Intermediate Fusioner (LIF) , and a node 308 of a HiC Agent in the FC 108. Further, the exemplary diagram 300 includes the HiC Controller 110 and a node 310 of application function (AF) or network function (NF) . A block 312 depicts a common handling mechanism, and a communication block 314 depicts process and communication according to HiC.

[0108] In operation, the node 304 of the HiC Agent in UE device 102, the node 306 of the HiC Agent in LIF, and the node 308 of the HiC Agent in the FC 108 generate the plurality of periodic context reports. The plurality of periodic context reports contains information about the network state, including quality of views, relevance indicators, and node positioning data. The plurality of periodic context reports is sent towards the HiC Controller 110 via a path 316A. The plurality of periodic context reports is aggregated at the HiC Controller 110, where they undergo initial processing and consolidation to create a comprehensive view of the network context. The HiC Controller 110 then forwards the plurality of consolidated periodic context reports to the node 310 of AF / NF via a path 316B. Upon receiving the plurality of consolidated periodic context reports, the node 310 of AF / NF performs a detailed analysis of the context information to detect any significant changes in network conditions. Based on the analysis, the node 310 of AF / NF generates a HiC Controller query containing new sub-goals and tasks, which is then transmitted to the HiC Controller 110 through a path 318. The HiC Controller query contains specific instructions for network adaptation based on the detected context changes.

[0109] Subsequently, the HiC Controller 110 processes the received query and generates detailed HiC sub-goals instructions, complete with specific patterns and arguments tailored for each network node. The HiC sub-goals instructions are then distributed to a plurality of HiC agents (i.e., the HiC agent in UE device 102, the HiC agent in LIF, and the HiC agent in the FC 108) via a path 320. To implement the received patterns, all nodes, i.e., the node 304 of the HiC agent in UE device 102, the node 306 of the HiC agent in LIF, and the node 308 of the HiC agent in the FC 108 receive HiC sub-goals instructions and process them through the communication block 314. During this phase, each node implements the set sub-goals function with their received patterns, adapting their operations according to the new instructions.

[0110] Following pattern implementation, the plurality of HiC agents begin processing according to the communication block 314, maintaining continuous communication and providing regular status updates via a path 324. The monitoring device 326 plays a role in overseeing the status update process, ensuring proper execution of the updated patterns. The monitoring device 326 continuously receives responses from the plurality of HiC agents through path 322 and the plurality of HiC agents also forward detailed status reports to the monitoring device 326 via the 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 path 328. The end HiC signal is systematically distributed to the plurality of 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.

[0111] Advantageously, the operation also includes several verification steps at each stage. The monitoring device 326 verifies successful pattern implementation, confirms proper data flow through updated communication paths, and ensures that all nodes of the plurality of the HiC agents are functioning according to their new assignments. The comprehensive monitoring ensures the reliability and efficiency of the entire goal decomposition and assignment process, maintaining optimal network performance throughout the session lifecycle.

[0112] 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 updating an active In-Network Learning (INL) Heterarchical Intelligent Collaboration (HiC) session in a communications network, the method (200) comprising steps of:(a) receiving a periodic context report sent from a plurality of HiC agents at respective nodes of the communications network;(b) detecting a context change from the received periodic context report;(c) creating a goal decomposition and assignment update upon detecting the context change; and(d) updating an active INL HiC session for the communications network in accordance with the created goal decomposition and assignment update, wherein the updating includes sending information related to patterns and parameters related to the received periodic context reports, wherein 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.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 a context change is an addition of a node.5.The method (200) of claim 1, wherein a context change is a removal of a node.6.The method (200) of claim 1, wherein the received periodic context report includes the available quality of views of child nodes of the communications network.7.The method (200) of claim 6, wherein the received periodic context report further includes the relevance indicator (RI) for the available quality of views of the child nodes of the communications network.8.The method (200) of claim 7, wherein the received periodic context report further includes a relation between the available quality of views and their RI.9.The method (200) of claim 8, wherein the received periodic context report further includes a relation between the available quality of views and their RI and the currently assigned sub-goal.10.The method (200) of claim 9, wherein the received periodic context report includes the positioning of the child nodes in the communications network.11.The method (200) of claim 1, wherein the created goal decomposition and assignment update relates to a modified communication path for the nodes of the communications network to support the new goal decomposition.12.The method (200) of claim 1, wherein the updating of the active INL HiC session involves finding HiC patterns for each new sub-goal and sending updated information to the nodes whose task has been modified, or which have received a supplementary task.13.The method (200) of claim 12, wherein the updating further includes informing involved nodes about a new communication path.14.The method (200) of claim 1, wherein the steps (a) to (d) are performed by an HiC Controller (HicC) node.15.The method (200) of claim 14, wherein the HiC controller node communicates with an Application Function / Network Function (AF / NF) node.16.A system (100) comprising means adapted for carrying out all the steps of the method (200) according to any preceding method (200) claim.17.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