FEDERATED LEARNING FOR MULTIPLE ACCESS RADIO RESOURCE MANAGEMENT OPTIMIZATIONS

In one embodiment, a machine learning (ML) model for determining radio resource management (RRM) decisions is updated, with ML model parameters being shared between RRM decision makers to update the model. The updates may include local operations (between an AP and UE pair) to update local primal and dual parameters of the ML model, and global operations (between other devices in the network) to exchange/update global parameters of the ML model. Selon un mode de réalisation, un modèle d'apprentissage machine (ML) permettant de déterminer des décisions de gestion de ressources radio (RRM) est mis à jour, les paramètres de modèle d'apprentissage machine étant partagés entre des décideurs de gestion de ressources radio afin de mettre à jour le modèle. Les mises à jour peuvent comprendre des opérations locales (entre un point d'accès [AP] et une paire d'équipements utilisateur [UE]) afin de mettre à jour des paramètres primaires et doubles locaux du modèle d'apprentissage machine, et des opérations globales (entre d'autres dispositifs dans le réseau) afin d'échanger/mettre à jour des paramètres globaux du modèle d'apprentissage machine.