本发明大体上涉及无线通信，并且在特定实施例中，涉及用于利用级联模型进行多阶段机器学习的方法和装置。
背景技术：
1、人工智能(artificial intelligence，ai)技术可以应用在通信中，包括物理层中的基于ai的通信和/或媒体接入控制(medium access control，mac)层中的基于ai的通信。例如，在物理层中，基于ai的通信可以旨在优化组件设计和/或提高算法性能。对于mac层，基于ai的通信可以旨在利用ai能力进行学习、预测和/或做出决策，从而以可能更好的策略和/或最优方案解决复杂的优化问题，例如优化mac层中的功能。
2、传统的ai训练过程通常依赖于混合自动重传请求(hybrid automatic repeatrequest，harq)反馈和重传过程，以尝试确保参与ai训练的设备之间传输的数据被成功接收。但是，与这种重传相关联的通信开销和延迟可能会产生问题。
技术实现思路
1、根据本发明的第一方面，本文提供了一种用于在无线通信网络中配置人工智能或机器学习(artificial intelligence/machine learning，ai/ml)的方法。根据本发明的第一方面的方法可以包括：无线通信网络中的第一设备从网络设备接收用于配置第一ai/ml子模型的第一ai/ml子模型配置信息；所述第一设备从所述网络设备接收用于配置第二ai/ml子模型的第二ai/ml子模型配置信息。第一ai/ml子模型配置信息可以使用第一无线网络临时标识符(radio network temporary identifier，rnti)接收，第二ai/ml子模型配置信息可以使用不同于第一rnti的第二rnti接收。根据本发明的第一广义方面的方法还可以包括：所述第一设备在所述第一设备上配置ai/ml模型，使得所述ai/ml模型包括所述第一ai/ml子模型和所述第二ai/ml子模型，所述第一ai/ml子模型和所述第二ai/ml子模型被级联，使得所述第一ai/ml子模型的输出是所述第二ai/ml子模型的输入。
2、根据本发明的第一方面配置级联ai/ml模型可以具有几个优点。例如，当在基于集群的联邦学习或分布式学习方案中使用时，根据本发明的第一方面配置级联ai/ml模型有可能解决在现有的基于非集群的训练方案中可能出现的数据异构问题，同时还解决或至少基本上缓解与现有的基于集群的学习方案共同关联的一个或多个问题，例如收敛速度降低和下行通信开销高，如本文进一步详细讨论的。
3、在一些实施例中，所述第一ai/ml子模型的输入是所述ai/ml模型的输入，所述第二ai/ml子模型的输出是所述ai/ml模型的输出。
4、在一些实施例中，所述第一ai/ml子模型和所述第二ai/ml子模型中的一个是所述无线通信网络中的一组设备共有的ai/ml子模型1，所述第一ai/ml子模型和所述第二ai/ml子模型中的另一个是所述一组设备内包括所述第一设备的一个或多个设备的第一集群共有的ai/ml子模型2。
5、在一些实施例中，所述第一rnti是所述一组设备共有的，并且所述第一ai/ml子模型是所述ai/ml子模型1；所述第二rnti是所述一个或多个设备的第一集群共有的，并且所述第二ai/ml子模型是所述ai/ml子模型2。
6、在一些实施例中，根据本发明的第一方面的方法还包括：从所述网络设备接收信令，所述信令配置所述第一设备以根据从多阶段ai/ml模型训练过程的多个训练模式中选择的训练阶段，在所述第一设备上训练所述ai/ml模型，所述多阶段ai/ml模型训练过程的所述多个训练模式包括第一训练阶段，在所述第一训练阶段中，训练所述ai/ml子模型1的参数，并且所述ai/ml子模型2的参数是固定的。在这类实施例中，所述方法还可以包括：向所述网络设备发送本地ai/ml模型更新信息，所述本地ai/ml模型更新信息基于根据所述选择的训练阶段在所述第一设备上被训练的所述ai/ml模型。
7、在一些实施例中，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的不同训练阶段切换到所述选择的训练阶段。
8、在一些实施例中，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述第一训练阶段在所述第一设备上训练所述ai/ml模型，在所述第一训练阶段中，训练所述ai/ml子模型1的所述参数，并且所述ai/ml子模型2的所述参数是固定的。
9、在一些实施例中，根据本发明的第一方面的方法还包括：在所述第一训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：从所述网络设备接收全局公共ai/ml子模型更新信息，所述全局公共ai/ml子模型更新信息包括全局公共ai/ml子模型的全局公共ai/ml子模型参数更新。在一些这类实施例中，所述方法还可以包括：向所述网络设备发送本地ai/ml模型更新信息，所述本地ai/ml模型更新信息包括所述第一设备上的所述ai/ml子模型1的本地公共ai/ml子模型参数更新，所述本地公共ai/ml子模型参数更新基于从所述网络设备接收的所述全局公共ai/ml子模型参数更新。
10、在一些实施例中，从所述网络设备发送所述全局公共ai/ml子模型更新信息由第一下行控制信息(downlink control information，dci)调度，其中，所述第一dci的循环冗余校验(cyclic redundancy check，crc)值用所述第一rnti加扰，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti。在这类实施例中，从所述网络设备接收所述全局公共ai/ml子模型更新信息可以包括用所述第一rnti解扰所述第一dci的所述crc值，以确定对所述全局公共ai/ml子模型更新信息从所述网络设备的所述发送的所述调度。
11、在一些实施例中，根据本发明的第一方面的方法还包括：从所述第一设备向所述网络设备发送ai/ml模型相关性信息，所述ai/ml模型相关性信息包括关于所述第一设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的信息。
12、在一些实施例中，关于所述第一设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的所述信息由所述第一设备基于以下各项确定：本地公共ai/ml子模型更新信息，包括基于所述第一设备上的所述ai/ml子模型1的训练的本地公共ai/ml子模型参数更新；从所述网络设备接收的所述全局公共ai/ml子模型更新信息。
13、在一些实施例中，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述多个训练模式的第二训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第二训练阶段中，训练所述ai/ml子模型2的所述参数。
14、在一些实施例中，配置所述第一设备以根据所述第二训练阶段在所述第一设备上训练所述ai/ml模型的控制信令使所述第一设备从所述多个训练模式的所述第一训练阶段切换到所述第二训练阶段。
15、在一些实施例中，根据本发明的第一方面的方法还包括：在所述第二训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：从所述网络设备接收全局集群特定ai/ml子模型更新信息，所述全局集群特定ai/ml子模型更新信息包括全局集群特定ai/ml子模型的全局集群特定ai/ml子模型参数更新。在一些这类实施例中，所述方法还可以包括：向所述网络设备发送本地ai/ml模型更新信息，所述本地ai/ml模型更新信息包括所述第一设备上的所述ai/ml子模型2的本地集群特定ai/ml子模型参数更新，所述本地集群特定ai/ml子模型参数更新基于从所述网络设备接收的所述全局集群特定ai/ml子模型参数更新。
16、在一些实施例中，从所述网络设备发送所述全局集群特定ai/ml子模型更新信息由第二dci调度，其中，所述第二dci的crc值用所述第二rnti加扰，所述第二rnti是所述第一设备集群共有的集群特定rnti。在这类实施例中，从所述网络设备接收所述全局集群特定ai/ml子模型更新信息可以包括用所述第二rnti解扰所述第二dci的所述crc值，以确定对所述全局集群特定ai/ml子模型更新信息从所述网络设备的所述发送的所述调度。
17、在一些实施例中，根据本发明的第一方面的方法还包括：针对所述第二训练阶段中的所述迭代：从所述网络设备接收全局公共ai/ml子模型更新信息，所述全局公共ai/ml子模型更新信息包括全局公共ai/ml子模型的全局公共ai/ml子模型参数更新。在这类实施例中，发送到所述网络设备的所述本地ai/ml模型更新信息还可以包括所述第一设备上的所述ai/ml子模型1的本地公共ai/ml子模型参数更新，所述本地公共ai/ml子模型参数更新基于从所述网络设备接收的所述全局公共ai/ml子模型参数更新。
18、在一些实施例中，从所述网络设备发送所述全局公共ai/ml子模型更新信息由第一dci调度，其中，所述第一dci的crc值用所述第一rnti加扰，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti。在这类实施例中，从所述网络设备接收所述全局公共ai/ml子模型更新信息可以包括用所述第一rnti解扰所述第一dci的所述crc值，以确定对所述全局公共ai/ml子模型更新信息从所述网络设备的所述发送的所述调度。
19、在一些实施例中，根据本发明的第一方面的方法还包括：从所述第一设备向所述网络设备发送ai/ml模型相关性信息，所述ai/ml模型相关性信息包括关于所述第一设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的信息。
20、在一些实施例中，关于所述第一设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的所述信息由所述第一设备基于以下各项确定：本地公共ai/ml子模型更新信息，包括基于所述第一设备上的所述ai/ml子模型1的训练的本地公共ai/ml子模型参数更新；从所述网络设备接收的所述全局公共ai/ml子模型更新信息。
21、在一些实施例中，根据本发明的第一方面的方法还包括：从所述网络设备接收第二ai/ml模型配置信息，所述第二ai/ml模型配置信息用于配置所述ai/ml模型，使得所述第一设备上的所述ai/ml模型包括第二ai/ml模型，其中，所述第二ai/ml模型的输入是所述ai/ml模型的所述输入，所述第二ai/ml模型的输出是所述ai/ml模型的所述输出，所述第二ai/ml模型配置信息包括所述第二ai/ml模型的ai/ml模型参数。在一些这类实施例中，所述方法还可以包括：基于从所述网络设备接收的所述第二ai/ml模型配置信息，在所述第一设备上配置所述ai/ml模型。
22、在一些实施例中，根据本发明的第一方面的方法还包括：从所述网络设备接收信令，所述信令配置所述第一设备以根据所述多个训练模式的第三训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第三训练阶段中，训练所述第二ai/ml模型的参数。
23、在一些实施例中，配置所述第一设备以根据所述第三训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述第二训练阶段切换到所述第三训练阶段。
24、在一些实施例中，根据本发明的第一方面的方法还包括：在所述第三训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：从所述网络设备接收全局公共ai/ml模型更新信息，所述全局公共ai/ml模型更新信息包括全局公共ai/ml模型的全局公共ai/ml模型参数更新。在一些这类实施例中，所述方法还可以包括：向所述网络设备发送本地ai/ml模型更新信息，所述本地ai/ml模型更新信息包括所述第一设备上的所述第二ai/ml模型的本地公共ai/ml模型参数更新，所述本地公共ai/ml模型参数更新基于从所述网络设备接收的所述全局公共ai/ml模型参数更新。
25、在一些实施例中，从所述网络设备发送所述全局公共ai/ml模型更新信息由第一dci调度，其中，所述第一dci的所述crc值用第三rnti加扰，所述第三rnti是所述无线通信网络中的所述一组设备共有的公共rnti，其中，所述第三rnti不同于所述第一rnti和所述第二rnti中的至少一个。在这类实施例中，从所述网络设备接收所述全局公共ai/ml模型更新信息可以包括：用所述第三rnti解扰所述第一dci的所述crc值，以确定对所述全局公共ai/ml模型更新信息从所述网络设备的所述发送的所述调度。
26、在一些实施例中，根据本发明的第一方面的方法还包括：从所述网络设备接收全局集群特定ai/ml子模型更新信息，所述全局集群特定ai/ml子模型更新信息包括全局集群特定ai/ml子模型的全局集群特定ai/ml子模型参数更新。在这类实施例中，所述方法还可以包括：基于从所述网络设备接收的所述全局集群特定ai/ml子模型参数更新，更新所述第一设备上的所述ai/ml子模型2的配置。
27、在一些实施例中，所述接收所述全局集群特定ai/ml子模型更新信息包括：所述第一设备在物理下行控制信道(physical downlink control channel，pdcch)中接收用所述第一rnti和所述第二rnti中的一个加扰的第一级dci，所述第一rnti和所述第二rnti中的所述一个是所述无线通信网络中的所述一组设备共有的公共rnti，所述第一级dci指示第二级dci的调度信息。然后，所述第一设备可以使用所述第一级dci中的所述调度信息所指示的pdsch资源在第一物理下行共享信道(physical downlink shared channel，pdsch)中接收所述第二级dci，其中，所述第一pdsch是没有数据传输的物理信道，所述第二级dci指示至少一个下行数据传输的调度信息。然后，所述第一设备可以使用所述第二级dci中的所述调度信息所指示的pdsch资源，在第二pdsch中接收由所述第一rnti和所述第二rnti中的另一个加扰的下行数据传输，所述第一rnti和所述第二rnti中的所述另一个是所述第一设备集群共有的集群特定rnti，所述下行数据传输包括所述第一设备集群的所述全局集群特定ai/ml子模型更新信息。
28、在一些实施例中，所述第二dci中的所述调度信息包括字段，所述字段指示哪些设备集群具有所述第二dci调度的下行数据传输。
29、在一些实施例中，根据本发明的第一广义方面的方法还包括：所述第一设备从所述网络设备接收指示所述一组设备中的所述第一设备集群和第二设备集群将合并为第三设备集群的信令。
30、在一些实施例中，所述接收指示所述第一集群和所述第二集群将合并为所述第三集群的所述信令包括：所述第一设备在pdcch中接收用所述第一rnti和所述第二rnti中的一个加扰的第一级dci，所述第一rnti和所述第二rnti中的所述一个是所述无线通信网络中的所述一组设备共有的公共rnti，所述第一级dci指示第二级dci的调度信息。然后，所述第一设备可以使用所述第一级dci中的所述调度信息所指示的所述pdsch资源在所述第一pdsch中接收所述第二级dci，其中，所述第一pdsch是没有数据传输的物理信道，所述第二级dci包括集群合并字段，所述集群合并字段指示对于每个合并集群集合，所述合并集群中的设备要使用的集群特定rnti，其中，为了所述将所述第一集群和所述第二集群合并为所述第三集群，所述第二dci中的所述集群合并字段指示第三rnti，所述第三rnti是所述第三集群中的设备共有的集群特定rnti。
31、在一些实施例中，所述第二级dci还指示至少一个下行数据传输的调度信息。在这类实施例中，根据本发明的第一广义方面的方法还可以包括：所述第一设备使用所述第二级dci中的所述调度信息所指示的所述pdsch资源接收由第三pdsch中的所述第三rnti加扰的下行数据传输，由所述第三rnti加扰的所述下行数据传输包括所述第三设备集群的全局集群特定ai/ml子模型更新信息。在一些实施例中，然后可以基于所述第三设备集群的所述全局集群特定ai/ml子模型更新信息中指示的所述全局集群特定ai/ml子模型参数更新，更新所述第一设备上的所述ai/ml子模型2的所述配置。
32、在一些实施例中，根据本发明的第一广义方面的方法还包括：所述第一设备从所述网络设备接收指示所述第一设备将切换到所述一组设备中的所述第二设备集群的信令。
33、在一些实施例中，所述接收指示所述第一设备将切换到所述第二设备集群的所述信令包括：所述第一设备在pdcch中接收用所述第一rnti和所述第二rnti中的一个加扰的第一级dci，所述第一rnti和所述第二rnti中的所述一个是所述无线通信网络中的所述一组设备共有的公共rnti，所述第一级dci指示第二级dci的调度信息。然后，所述第一设备可以使用所述第一级dci中的所述调度信息所指示的所述pdsch资源在所述第一pdsch中接收所述第二级dci，其中，所述第一pdsch是没有数据传输的物理信道，所述第二级dci包括集群切换字段，所述集群切换字段指示，对于正在切换集群的每个设备，所述设备正在被切换到的所述集群中的所述设备要使用的集群特定rnti，其中，为了所述将所述第一设备切换到所述第二集群，所述第二dci中的所述集群切换字段指示所述第一设备要使用的第三rnti，所述第三rnti是所述第二集群中的设备共有的集群特定rnti。
34、根据本发明的第二方面，本文提供了另一种用于在无线通信网络中配置ai/ml的方法。根据本发明的第二方面的方法可以包括：无线通信网络中的网络设备配置第一全局ai/ml模型，使得所述第一全局ai/ml模型包括第一全局ai/ml子模型和第二全局ai/ml子模型，所述第一全局ai/ml子模型和所述第二全局ai/ml子模型被级联，使得所述第一全局ai/ml子模型的输出是所述第二全局ai/ml子模型的输入。例如，所述第一全局ai/ml子模型和所述第二全局ai/ml子模型中的一个可以是所述无线通信网络中的一组设备共有的全局公共ai/ml子模型，所述第一全局ai/ml子模型和所述第二全局ai/ml子模型中的另一个可以是所述一组设备内的一个或多个设备的第一集群共有的第一全局集群特定ai/ml子模型。
35、根据本发明的第二方面配置级联ai/ml模型可以具有几个优点。例如，根据本发明的第一方面配置级联ai/ml模型有可能解决在现有的基于非集群的训练方案中可能出现的数据异构问题，同时还解决或至少基本上缓解与现有的基于集群的学习方案共同关联的一个或多个问题，例如收敛速度降低和下行通信开销高，如本文进一步详细讨论的。
36、在一些实施例中，所述第一全局ai/ml子模型的输入是所述第一全局ai/ml模型的输入，所述第二全局ai/ml子模型的输出是所述第一全局ai/ml模型的输出。
37、在一些实施例中，所述第一全局ai/ml子模型是所述全局公共ai/ml子模型，所述第二全局ai/ml子模型是所述第一全局集群特定子模型。
38、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备发送第一ai/ml模型配置信息，所述第一ai/ml模型配置信息用于在所述无线通信网络中的第一设备上配置对应于所述第一全局ai/ml模型的ai/ml模型，使得所述第一设备上的所述ai/ml模型包括对应于所述第一全局ai/ml子模型的第一ai/ml子模型和对应于所述第二全局ai/ml子模型的第二ai/ml子模型，所述第一ai/ml子模型和所述第二ai/ml子模型被级联，使得所述第一ai/ml子模型的输出是所述第二ai/ml子模型的输入，所述第一ai/ml模型配置信息包括所述第一ai/ml子模型和所述第二ai/ml子模型的ai/ml模型参数。
39、在一些实施例中，发送用于在所述第一设备上配置所述第一ai/ml模型的第一ai/ml模型配置信息包括：所述网络设备发送用于配置所述第一ai/ml子模型的第一ai/ml子模型配置信息，所述第一ai/ml子模型配置信息使用第一rnti发送。在一些这类实施例中，发送所述第一ai/ml模型配置信息还可以包括：所述网络设备发送用于配置所述第二ai/ml子模型的第二ai/ml子模型配置信息，所述第二ai/ml子模型配置信息使用不同于所述第一rnti的第二rnti发送。
40、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备发送信令，用于配置所述第一设备以根据从多阶段ai/ml模型训练过程的多个训练模式中选择的训练阶段，在所述第一设备上训练所述ai/ml模型，所述多阶段ai/ml模型训练过程的所述多个训练模式包括第一训练阶段，在所述第一训练阶段中，训练所述全局公共ai/ml子模型的参数，并且所述第一全局集群特定ai/ml子模型的参数是固定的。在一些这类实施例中，所述方法还可以包括：所述网络设备从所述第一设备接收本地ai/ml模型更新信息，所述本地ai/ml模型更新信息基于根据所述选择的训练阶段在所述第一设备上被训练的所述ai/ml模型。
41、在一些实施例中，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的不同训练阶段切换到所述选择的训练阶段。
42、在一些实施例中，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述第一训练阶段在所述第一设备上训练所述ai/ml模型，在所述第一训练阶段中，训练所述全局公共ai/ml子模型的所述参数，并且所述第一全局集群特定ai/ml子模型的所述参数是固定的。
43、在一些实施例中，根据本发明的第二方面的方法还包括：在所述第一训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：所述网络设备从所述第一设备接收本地ai/ml模型更新信息，所述本地ai/ml模型更新信息包括所述第一设备上的所述ai/ml子模型的本地公共ai/ml子模型参数更新，所述本地公共ai/ml子模型参数更新对应于所述全局公共ai/ml子模型。在一些这类实施例中，所述方法还可以包括：所述网络设备基于从所述第一设备接收的所述本地公共ai/ml子模型参数更新，发送全局公共ai/ml子模型更新信息，所述全局公共ai/ml子模型更新信息包括所述全局公共ai/ml子模型的全局公共ai/ml子模型参数更新。
44、在一些实施例中，从所述网络设备发送所述全局公共ai/ml子模型更新信息通过发送第一dci调度，其中，所述第一dci的循环冗余校验(cyclic redundancy check，crc)值用第一rnti加扰，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti。
45、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备从所述第一设备接收ai/ml模型相关性信息，来自所述第一设备的所述ai/ml模型相关性信息包括关于所述全局公共ai/ml子模型与所述第一设备上的对应ai/ml子模型之间的相关性的信息。
46、在一些实施例中，根据本发明的第二方面的方法还包括：配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述多个训练模式的第二训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第二训练阶段中，训练所述第一全局集群特定ai/ml子模型的所述参数。
47、在一些实施例中，配置所述第一设备以根据所述第二训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的所述第一训练阶段切换到所述第二训练阶段。
48、在一些实施例中，根据本发明的第二方面的方法还包括：在所述第二训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：所述网络设备从所述第一设备接收本地ai/ml模型更新信息，所述本地ai/ml模型更新信息包括所述第一设备上的所述ai/ml子模型的本地集群特定ai/ml子模型参数更新，所述本地集群特定ai/ml子模型参数更新对应于所述第一全局集群特定ai/ml子模型。在一些这类实施例中，所述方法还可以包括：所述网络设备基于从所述第一设备接收的所述本地集群特定ai/ml子模型参数更新，发送全局集群特定ai/ml子模型更新信息，所述全局集群特定ai/ml子模型更新信息包括所述第一全局集群特定ai/ml子模型的全局集群特定ai/ml子模型参数更新。
49、在一些实施例中，从所述网络设备发送所述全局集群特定ai/ml子模型更新信息通过发送第二dci调度，其中，所述第二dci的crc值用所述第二rnti加扰，所述第二rnti是所述第一设备集群共有的集群特定rnti。
50、在一些实施例中，从所述第一设备接收的所述本地ai/ml模型更新信息还包括所述第一设备上的所述ai/ml子模型的本地公共ai/ml子模型参数更新，所述本地公共ai/ml子模型参数更新对应于所述全局公共ai/ml子模型。在这类实施例中，根据本发明的第二广义方面的方法还可以包括：针对所述第二训练阶段中的所述迭代，所述网络设备基于从所述第一设备接收的所述本地公共ai/ml子模型参数更新，发送全局公共ai/ml子模型更新信息，所述全局公共ai/ml子模型更新信息包括所述全局公共ai/ml子模型的全局公共ai/ml子模型参数更新。
51、在一些实施例中，从所述网络设备发送所述全局公共ai/ml子模型更新信息通过发送所述第一dci调度，其中，所述第一dci的crc值用所述第一rnti加扰，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti。
52、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备从所述第一设备接收ai/ml模型相关性信息，所述ai/ml模型相关性信息包括关于所述全局公共ai/ml子模型与所述第一设备上的对应ai/ml子模型之间的相关性的信息。
53、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备基于所述第一全局ai/ml模型配置第二全局ai/ml模型，使得所述第二全局ai/ml模型包括一组设备共有的全局公共ai/ml模型，其中，所述全局公共ai/ml模型的输入是所述第二全局ai/ml模型的输入，所述全局公共ai/ml模型的输出是所述第二全局ai/ml模型的输出。在一些这类实施例中，所述方法还可以包括：所述网络设备发送第二ai/ml模型配置信息，所述第二ai/ml模型配置信息用于在所述第一设备上配置所述ai/ml模型，使得所述第一设备上的所述ai/ml模型包括对应于所述全局公共ai/ml模型的第二ai/ml模型，其中，所述第二ai/ml模型的输入是所述第一设备上的所述ai/ml模型的输入，并且所述第二ai/ml模型的输出是所述第一设备上的所述ai/ml模型的输出，所述第二ai/ml模型配置信息包括所述第二ai/ml模型的ai/ml模型参数。
54、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备发送信令，所述信令配置所述第一设备以根据所述多个训练模式的第三训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第三训练阶段中，训练所述第二ai/ml模型的参数。
55、在一些实施例中，配置所述第一设备以根据所述第三训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述第二训练阶段切换到所述第三训练阶段。
56、在一些实施例中，根据本发明的第二方面的方法还包括：在所述第三训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：所述网络设备从所述第一设备接收本地ai/ml模型更新信息，所述本地ai/ml模型更新信息包括所述第一设备上的所述第二ai/ml模型的本地公共ai/ml模型参数更新。在一些这类实施例中，所述方法还可以包括：所述网络设备基于从所述第一设备接收的所述本地公共ai/ml模型参数更新，发送全局公共ai/ml模型更新信息，所述全局公共ai/ml模型更新信息包括所述全局公共ai/ml模型的全局公共ai/ml模型参数更新。
57、在一些实施例中，从所述网络设备发送所述全局公共ai/ml模型更新信息通过发送所述第一dci调度，其中，所述第一dci的crc值用所述第一rnti加扰，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti。
58、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备发送全局集群特定ai/ml子模型更新信息，所述全局集群特定ai/ml子模型更新信息包括所述第一设备集群的所述全局集群特定ai/ml子模型的全局集群特定ai/ml子模型参数更新。
59、在一些实施例中，所述发送所述全局集群特定ai/ml子模型更新信息包括：所述网络设备在pdcch中发送用第一rnti加扰的第一级dci，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti，所述第一级dci指示第二级dci的调度信息。例如，所述第二级dci可以由所述网络设备使用所述第一级dci中的所述调度信息所指示的pdsch资源在第一pdsch中发送，其中，所述第一pdsch是没有数据传输的物理信道，所述第二级dci指示至少一个下行数据传输的调度信息。所述网络设备可以使用所述第二级dci中的所述调度信息所指示的pdsch资源，在第二pdsch中发送由所述第二rnti加扰的下行数据传输，所述第二rnti是所述第一设备集群共有的集群特定rnti，所述下行数据传输包括所述第一设备集群的所述全局集群特定ai/ml子模型更新信息。
60、在一些实施例中，所述第二dci中的所述调度信息包括字段，所述字段指示哪些设备集群具有所述第二dci调度的下行数据传输。
61、在一些实施例中，根据本发明的第二广义方面的方法还包括：所述网络设备发送指示所述一组设备中的所述第一设备集群和第二设备集群将合并为第三设备集群的信令。
62、在一些实施例中，所述发送指示所述第一集群和所述第二集群将合并为所述第三集群的所述信令包括：所述网络设备在pdcch中发送用第一rnti加扰的第一级dci，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti，所述第一级dci指示第二级dci的调度信息。例如，所述网络设备可以使用所述第一级dci中的所述调度信息所指示的所述pdsch资源在所述第一pdsch中发送所述第二级dci，其中，所述第一pdsch是没有数据传输的物理信道，所述第二级dci包括集群合并字段，所述集群合并字段指示对于每个合并集群集合，所述合并集群中的设备要使用的集群特定rnti，其中，为了所述将所述第一集群和所述第二集群合并为所述第三集群，所述第二dci中的所述集群合并字段指示第三rnti，所述第三rnti是所述第三集群中的设备共有的集群特定rnti。
63、在一些实施例中，所述第二级dci还指示至少一个下行数据传输的调度信息。在这类实施例中，根据本发明的第二方面的方法还可以包括：所述网络设备使用所述第二级dci中的所述调度信息所指示的所述pdsch资源发送由第三pdsch中的所述第三rnti加扰的下行数据传输，由所述第三rnti加扰的所述下行数据传输包括所述第三设备集群的全局集群特定ai/ml子模型更新信息。
64、在一些实施例中，根据本发明的第二方面的方法还包括：所述网络设备发送指示所述第一设备将切换到所述一组设备中的所述第二设备集群的信令。
65、在一些实施例中，所述发送指示所述第一设备将切换到所述第二设备集群的所述信令包括：所述网络设备在pdcch中发送用第一rnti加扰的第一级dci，所述第一rnti是所述无线通信网络中的所述一组设备共有的公共rnti，所述第一级dci指示第二级dci的调度信息。例如，所述网络设备可以使用所述第一级dci中的所述调度信息所指示的所述pdsch资源在所述第一pdsch中发送所述第二级dci，其中，所述第一pdsch是没有数据传输的物理信道，所述第二级dci包括集群切换字段，所述集群切换字段指示，对于正在切换集群的每个设备，所述设备正在被切换到的所述集群中的所述设备要使用的集群特定rnti，其中，为了所述将所述第一设备切换到所述第二集群，所述第二dci中的所述集群切换字段指示所述第一设备要使用的第三rnti，所述第三rnti是所述第二集群中的设备共有的集群特定rnti。
66、公开了用于执行上述方法的对应装置和设备。
67、例如，根据本发明的另一方面，提供了一种设备，所述设备包括处理器和存储处理器可执行指令的存储器，所述处理器可执行指令被执行时使所述处理器执行根据上述本发明的第一方面的方法。
68、又如，根据本发明的另一方面，提供了一种网络设备，所述网络设备包括处理器和存储处理器可执行指令的存储器，所述处理器可执行指令被执行时使所述处理器执行根据上述本发明的第二方面的方法。
69、根据本发明的其它方面，提供了一种装置，包括用于实现本发明中所公开的任何方法方面的一个或多个单元。术语“单元”在广义上使用，并且可以通过各种名称中的任何一个来表示，包括例如模块、组件、元件、构件等。这些单元可以使用硬件、软件、固件或其任何组合来实现。
1.一种用于配置人工智能或机器学习ai/ml的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一ai/ml子模型的输入是所述ai/ml模型的输入，所述第二ai/ml子模型的输出是所述ai/ml模型的输出。
3.根据权利要求1或2所述的方法，其特征在于，所述第一ai/ml子模型和所述第二ai/ml子模型中的一个是所述无线通信网络中的一组设备共有的ai/ml子模型1，所述第一ai/ml子模型和所述第二ai/ml子模型中的另一个是所述一组设备内包括所述第一设备的一个或多个设备的第一集群共有的ai/ml子模型2。
4.根据权利要求3所述的方法，其特征在于：
5.根据权利要求3所述的方法，其特征在于，还包括：
6.根据权利要求5所述的方法，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的不同训练阶段切换到所述选择的训练阶段。
7.根据权利要求5或6所述的方法，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述第一训练阶段在所述第一设备上训练所述ai/ml模型，在所述第一训练阶段中，训练所述ai/ml子模型1的参数，并且所述ai/ml子模型2的参数是固定的。
8.根据权利要求7所述的方法，其特征在于，还包括，在所述第一训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：
9.根据权利要求8所述的方法，其特征在于：
10.根据权利要求8或9所述的方法，其特征在于，还包括：
11.根据权利要求10所述的方法，其特征在于，关于所述第一设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的所述信息由所述第一设备基于以下各项确定：
12.根据权利要求5或6所述的方法，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述多个训练模式的第二训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第二训练阶段中，训练所述ai/ml子模型2的参数。
13.根据权利要求12所述的方法，其特征在于，配置所述第一设备以根据所述第二训练阶段在所述第一设备上训练所述ai/ml模型的控制信令使所述第一设备从所述多个训练模式的所述第一训练阶段切换到所述第二训练阶段。
14.根据权利要求12或13所述的方法，其特征在于，还包括，在所述第二训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：
15.根据权利要求14所述的方法，其特征在于：
16.根据权利要求14或15所述的方法，其特征在于，还包括，针对所述第二训练阶段中的所述迭代：
17.根据权利要求16所述的方法，其特征在于：
18.根据权利要求16或17所述的方法，其特征在于，还包括：
19.根据权利要求18所述的方法，其特征在于，关于所述第一设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的所述信息由所述第一设备基于以下各项确定：
20.根据权利要求12至19中任一项所述的方法，其特征在于，还包括：
21.根据权利要求20所述的方法，其特征在于，还包括：
22.根据权利要求21所述的方法，其特征在于，配置所述第一设备以根据所述第三训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述第二训练阶段切换到所述第三训练阶段。
23.根据权利要求21或22所述的方法，其特征在于，还包括，在所述第三训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：
24.根据权利要求23所述的方法，其特征在于：
25.根据权利要求3或权利要求5至13中任一项所述的方法，其特征在于，还包括：
26.根据权利要求14或25所述的方法，其特征在于，接收所述全局集群特定ai/ml子模型更新信息包括：
27.根据权利要求26所述的方法，其特征在于，所述第二dci中的所述调度信息包括字段，所述字段指示哪些设备集群具有所述第二dci调度的下行数据传输。
28.根据权利要求12至14中任一项所述的方法，其特征在于，还包括：
29.根据权利要求28所述的方法，其特征在于，所述接收指示所述第一集群和所述第二集群将合并为所述第三集群的所述信令包括：
30.根据权利要求29所述的方法，其特征在于，所述第二级dci还指示至少一个下行数据传输的调度信息，所述方法还包括：
31.根据权利要求12至18中任一项所述的方法，其特征在于，还包括：
32.根据权利要求31所述的方法，其特征在于，接收指示所述第一设备将切换到所述第二设备集群的所述信令包括：
33.一种用于配置人工智能或机器学习(artificial intelligence/machinelearning，ai/ml)的方法，其特征在于，所述方法包括：
34.根据权利要求33所述的方法，其特征在于，所述第一全局ai/ml子模型的输入是所述第一全局ai/ml模型的输入，所述第二全局ai/ml子模型的输出是所述第一全局ai/ml模型的输出。
35.根据权利要求33所述的方法，其特征在于，所述第一全局ai/ml子模型是所述全局公共ai/ml子模型，所述第二全局ai/ml子模型是所述第一全局集群特定子模型。
36.根据权利要求33至35中任一项所述的方法，其特征在于，还包括：
37.根据权利要求36所述的方法，其特征在于，发送用于在所述第一设备上配置所述第一ai/ml模型的第一ai/ml模型配置信息包括：
38.根据权利要求36所述的方法，其特征在于，还包括：
39.根据权利要求38所述的方法，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的不同训练阶段切换到所述选择的训练阶段。
40.根据权利要求38或39所述的方法，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述第一训练阶段在所述第一设备上训练所述ai/ml模型，在所述第一训练阶段中，训练所述全局公共ai/ml子模型的参数，并且所述第一全局集群特定ai/ml子模型的参数是固定的。
41.根据权利要求40所述的方法，其特征在于，还包括，在所述第一训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：
42.根据权利要求41所述的方法，其特征在于：
43.根据权利要求41或42所述的方法，其特征在于，还包括：
44.根据权利要求38或39所述的方法，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述多个训练模式的第二训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第二训练阶段中，训练所述第一全局集群特定ai/ml子模型的参数。
45.根据权利要求44所述的方法，其特征在于，配置所述第一设备以根据所述第二训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的所述第一训练阶段切换到所述第二训练阶段。
46.根据权利要求44或45所述的方法，其特征在于，还包括，在所述第二训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：
47.根据权利要求46所述的方法，其特征在于：
48.根据权利要求46或47所述的方法，其特征在于，从所述第一设备接收的所述本地ai/ml模型更新信息还包括所述第一设备上的所述ai/ml子模型的本地公共ai/ml子模型参数更新，所述本地公共ai/ml子模型参数更新对应于所述全局公共ai/ml子模型，所述方法还包括，针对所述第二训练阶段中的所述迭代：
49.根据权利要求48所述的方法，其特征在于：
50.根据权利要求48或49所述的方法，其特征在于，还包括：
51.根据权利要求44至50中任一项所述的方法，其特征在于，还包括：
52.根据权利要求51所述的方法，其特征在于，还包括：
53.根据权利要求52所述的方法，其特征在于，配置所述第一设备以根据所述第三训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述第二训练阶段切换到所述第三训练阶段。
54.根据权利要求52或53所述的方法，其特征在于，还包括，在所述第三训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代：
55.根据权利要求54所述的方法，其特征在于：
56.根据权利要求33至36、38至41、44或45中任一项所述的方法，其特征在于，还包括：
57.根据权利要求46或56所述的方法，其特征在于，发送所述全局集群特定ai/ml子模型更新信息包括：
58.根据权利要求57所述的方法，其特征在于，所述第二dci中的所述调度信息包括字段，所述字段指示哪些设备集群具有所述第二dci调度的下行数据传输。
59.根据权利要求44至46中任一项所述的方法，其特征在于，还包括：
60.根据权利要求59所述的方法，其特征在于，所述发送指示所述第一集群和所述第二集群将合并为所述第三集群的所述信令包括：
61.根据权利要求60所述的方法，其特征在于，所述第二级dci还指示至少一个下行数据传输的调度信息，所述方法还包括：
62.根据权利要求44至50中任一项所述的方法，其特征在于，还包括：
63.根据权利要求62所述的方法，其特征在于，发送指示所述第一设备将切换到所述第二设备集群的所述信令包括：
64.一种设备，其特征在于，包括：
65.根据权利要求64所述的设备，其特征在于，所述第一ai/ml子模型的输入是所述ai/ml模型的输入，所述第二ai/ml子模型的输出是所述ai/ml模型的输出。
66.根据权利要求64或65所述的设备，其特征在于，所述第一ai/ml子模型和所述第二ai/ml子模型中的一个是所述无线通信网络中的一组设备共有的ai/ml子模型1，所述第一ai/ml子模型和所述第二ai/ml子模型中的另一个是所述一组设备内包括所述第一设备的一个或多个设备的第一集群共有的ai/ml子模型2。
67.根据权利要求66所述的设备，其特征在于：
68.根据权利要求66所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
69.根据权利要求68所述的设备，其特征在于，配置所述设备以根据所述选择的训练阶段在所述设备上训练所述ai/ml模型的所述信令使所述设备从所述多个训练模式的不同训练阶段切换到所述选择的训练阶段。
70.根据权利要求68或69所述的设备，其特征在于，配置所述设备以根据所述选择的训练阶段在所述设备上训练所述ai/ml模型的所述信令配置所述设备以根据所述第一训练阶段在所述设备上训练所述ai/ml模型，在所述第一训练阶段中，训练所述ai/ml子模型1的参数，并且所述ai/ml子模型2的参数是固定的。
71.根据权利要求70所述的设备，其特征在于，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，在所述第一训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代，使所述处理器执行以下操作：
72.根据权利要求71所述的设备，其特征在于：
73.根据权利要求71或72所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
74.根据权利要求73所述的设备，其特征在于，关于所述设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的所述信息由所述第一设备基于以下各项确定：
75.根据权利要求68或69所述的设备，其特征在于，配置所述设备以根据所述选择的训练阶段在所述设备上训练所述ai/ml模型的所述信令配置所述设备以根据所述多个训练模式的第二训练阶段在所述设备上训练所述ai/ml模型，其中，在所述第二训练阶段中，训练所述ai/ml子模型2的参数。
76.根据权利要求75所述的设备，其特征在于，配置所述设备以根据所述第二训练阶段在所述设备上训练所述ai/ml模型的控制信令使所述设备从所述多个训练模式的所述第一训练阶段切换到所述第二训练阶段。
77.根据权利要求75或76所述的设备，其特征在于，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，在所述第二训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代，使所述处理器执行以下操作：
78.根据权利要求77所述的设备，其特征在于：
79.根据权利要求14或15所所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时，针对所述第二训练阶段中的所述迭代，使所述处理器执行以下操作的处理器可执行指令：
80.根据权利要求79所述的设备，其特征在于：
81.根据权利要求79或80所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
82.根据权利要求81所述的设备，其特征在于，关于所述设备上的所述ai/ml子模型1与所述全局公共ai/ml子模型之间的相关性的所述信息由所述第一设备基于以下各项确定：
83.根据权利要求75至82中任一项所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
84.根据权利要求83所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
85.根据权利要求84所述的设备，其特征在于，配置所述设备以根据所述第三训练阶段在所述设备上训练所述ai/ml模型的所述信令使所述设备从所述第二训练阶段切换到所述第三训练阶段。
86.根据权利要求84或85所述的设备，其特征在于，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，在所述第三训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代，使所述处理器执行以下操作：
87.根据权利要求86所述的设备，其特征在于：
88.根据权利要求66或权利要求68至76中任一项所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
89.根据权利要求77或88所述的设备，其特征在于，当被执行时使所述处理器接收所述全局集群特定ai/ml子模型更新信息的所述处理器可执行指令包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
90.根据权利要求89所述的设备，其特征在于，所述第二dci中的所述调度信息包括字段，所述字段指示哪些设备集群具有所述第二dci调度的下行数据传输。
91.根据权利要求75至77中任一项所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
92.根据权利要求91所述的设备，其特征在于，当被执行时使所述处理器接收指示所述第一集群和所述第二集群将合并为所述第三集群的所述信令的所述处理器可执行指令包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
93.根据权利要求92所述的设备，其特征在于，所述第二级dci还指示至少一个下行数据传输的调度信息，其中，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
94.根据权利要求75至81中任一项所述的设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
95.根据权利要求94所述的设备，其特征在于，当被执行时使所述处理器接收指示所述设备将切换到所述第二设备集群的所述信令的所述处理器可执行指令设备包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
96.一种装置，其特征在于，包括一个或多个单元，用于执行根据权利要求1至32中任一项所述的方法。
97.一种网络设备，其特征在于，包括：
98.根据权利要求97所述的网络设备，其特征在于，所述第一全局ai/ml子模型的输入是所述第一全局ai/ml模型的输入，所述第二全局ai/ml子模型的输出是所述第一全局ai/ml模型的输出。
99.根据权利要求97所述的网络设备，其特征在于，所述第一全局ai/ml子模型是所述全局公共ai/ml子模型，所述第二全局ai/ml子模型是所述第一全局集群特定子模型。
100.根据权利要求97至99中任一项所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
101.根据权利要求100所述的网络设备，其特征在于，当被执行时使所述处理器发送用于在所述第一设备上配置所述第一ai/ml模型的第一ai/ml模型配置信息的所述处理器可执行指令包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
102.根据权利要求100所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
103.根据权利要求102所述的网络设备，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的不同训练阶段切换到所述选择的训练阶段。
104.根据权利要求102或103所述的网络设备，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述第一训练阶段在所述第一设备上训练所述ai/ml模型，在所述第一训练阶段中，训练所述全局公共ai/ml子模型的所述参数，并且所述第一全局集群特定ai/ml子模型的所述参数是固定的。
105.根据权利要求104所述的网络设备，其特征在于，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，在所述第一训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代，使所述处理器执行以下操作：
106.根据权利要求105所述的网络设备，其特征在于：
107.根据权利要求105或106所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
108.根据权利要求102或103所述的网络设备，其特征在于，配置所述第一设备以根据所述选择的训练阶段在所述第一设备上训练所述ai/ml模型的所述信令配置所述第一设备以根据所述多个训练模式的第二训练阶段在所述第一设备上训练所述ai/ml模型，其中，在所述第二训练阶段中，训练所述第一全局集群特定ai/ml子模型的所述参数。
109.根据权利要求108所述的网络设备，其特征在于，配置所述第一设备以根据所述第二训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述多个训练模式的所述第一训练阶段切换到所述第二训练阶段。
110.根据权利要求108或109所述的网络设备，其特征在于，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，在所述第二训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代，使所述处理器执行以下操作：
111.根据权利要求110所述的网络设备，其特征在于：
112.根据权利要求110或111所述的网络设备，其特征在于，从所述第一设备接收的所述本地ai/ml模型更新信息还包括所述第一设备上的所述ai/ml子模型的本地公共ai/ml子模型参数更新，所述本地公共ai/ml子模型参数更新对应于所述全局公共ai/ml子模型，其中，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，针对所述第二训练阶段中的所述迭代，使所述处理器：
113.根据权利要求112所述的网络设备，其特征在于：
114.根据权利要求112或113所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
115.根据权利要求108至114中任一项所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
116.根据权利要求115所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
117.根据权利要求116所述的网络设备，其特征在于，配置所述第一设备以根据所述第三训练阶段在所述第一设备上训练所述ai/ml模型的所述信令使所述第一设备从所述第二训练阶段切换到所述第三训练阶段。
118.根据权利要求116或117所述的网络设备，其特征在于，所述处理器可执行指令还包括处理器可执行指令，所述处理器可执行指令当被执行时，在所述第三训练阶段中，针对所述多阶段ai/ml模型训练过程的迭代，使所述处理器执行以下操作：
119.根据权利要求118所述的网络设备，其特征在于：
120.根据权利要求97至100、102至105、108或109中任一项所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
121.根据权利要求110或120所述的网络设备，其特征在于，当被执行时使所述处理器发送所述全局集群特定ai/ml子模型更新信息的所述处理器可执行指令包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
122.根据权利要求121所述的网络设备，其特征在于，所述第二dci中的所述调度信息包括字段，所述字段指示哪些设备集群具有所述第二dci调度的下行数据传输。
123.根据权利要求108至110中任一项所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
124.根据权利要求123所述的网络设备，其特征在于，当被执行时使所述处理器发送指示所述第一集群和所述第二集群将合并为所述第三集群的所述信令的所述处理器可执行指令包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
125.根据权利要求124所述的网络设备，其特征在于，所述第二级dci还指示至少一个下行数据传输的调度信息，其中，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
126.根据权利要求108至114中任一项所述的网络设备，其特征在于，所述处理器可执行指令还包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
127.根据权利要求126所述的网络设备，其特征在于，当被执行时使所述处理器发送指示所述第一设备将切换到所述第二设备集群的所述信令的所述处理器可执行指令设备包括当被执行时使所述处理器执行以下操作的处理器可执行指令：
128.一种装置，其特征在于，包括一个或多个单元，用于执行根据权利要求33至63中任一项所述的方法。
