On-Device Machine Learning Model Adaptation for 6G Communications: From Standardization to Over-the-Air Prototyping Experiments Based on Beam Prediction
Notice bibliographique
Résumé
Adapting pretrained artificial intelligence and machine learning (AI/ML) models for on-device inference across diverse environments is challenging due to the extensive offline data collection and training required. This highlights the necessity for online model training or adaptation, where devices locally process training data and perform adaptation via on-device engines. Such capabilities and technologies are essential for various wireless AI/ML features requiring on-device inference to be considered in the upcoming Third Generation Partnership Project (3GPP) 6G standardization works. For battery-powered devices, model adaptation must be efficiently executed in real-time with well-designed timelines, as environmental conditions can change rapidly and vary significantly across locations. In this paper, we present results from over-the-air (OTA) prototyping experiments using handset devices to demonstrate the practical effectiveness of real-time on-device adaptation. We use AI/ML based beam prediction, as outlined by 3GPP 5G-Advanced standards, as an example. Our OTA results show that on-device model adaptation can be completed within 30 seconds in an unfamiliar environment to achieve benchmark performance, strongly supporting the feasibility of real-time on-device model adaptation in 6G communications. The findings and methodologies discussed in this paper can be extended to benefit various other wireless and non-wireless real-world scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».