[发明专利]使用可穿戴设备进行推理生成的分布式机器学习模型

说明书

交互对象包括一个或多个传感器，该一个或多个传感器被配置为响应于交互对象的移动或提供给交互对象的触摸输入中的至少一个来生成传感器数据。交互对象至少包括被通信地耦合到一个或多个传感器的第一计算设备。第一计算设备包括存储多头机器学习模型的第一模型头的一个或多个非暂时性计算机可读介质，该多头机器学习模型被配置为跨包括第一计算设备的多个计算设备分布。多头机器学习模型被配置用于与交互对象相关联的手势检测或移动识别中的至少一个。第一模型头被配置为至少部分地基于传感器数据和一个或多个推理标准选择性地生成至少一个推理。

技术领域

本公开一般涉及用于基于传感器数据生成推理的机器学习模型。

背景技术

使用可穿戴设备和可能包括具有有限计算资源(例如，处理能力、存储器等)的计算设备的其他设备来检测手势和其他移动可以呈现许多独特的考虑。机器学习模型通常用作基于输入传感器数据的手势检测和移动识别过程的一部分。诸如响应于触摸输入而生成的触摸数据或响应于用户移动而生成的移动数据之类的传感器数据可以被输入到一个或多个机器学习模型。可以训练机器学习模型以根据输入传感器数据生成一个或多个推理。这些推理可以包括手势和/或移动的检测、分类和/或预测。举例来说，机器学习模型可用于确定输入传感器数据是否对应于滑动手势或其他预期的用户输入。

传统上，机器学习模型已经部署在边缘设备(包括其中生成传感器数据的客户端设备)上，或者部署在远程计算设备上，例如与边缘设备相比具有更多计算资源的服务器计算机系统。在边缘设备上部署机器学习模型的好处是不需要将原始传感器数据从边缘设备传输到远程计算设备以便处理。然而，边缘设备通常具有有限的计算资源，其可能不足以用于部署复杂的机器学习模型。此外，边缘设备可能具有有限的电源，其可能不足以支持大型处理操作，同时还提供有用的设备。在许多情况下，将机器学习模型部署在具有比边缘计算设备提供的处理能力更多的处理能力的远程计算设备上可以似乎是一个合乎逻辑的解决方案。然而，在远程计算设备上使用机器学习模型可能需要将传感器数据从边缘设备传输到一个或多个远程计算设备。此类配置可能会导致与从边缘设备传输用户数据相关的隐私问题，以及与可传输的原始传感器数据的量相关的带宽考虑。

发明内容

本公开实施例的方面和优点将在以下描述中部分地阐述，或者可以从描述中获悉，或者可以通过实施例的实践获悉。

本公开的一个示例方面涉及一种交互对象，该交互对象包括一个或多个传感器，该一个或多个传感器被配置为响应于交互对象的移动或提供给交互对象的触摸输入中的至少一个来生成传感器数据。交互对象至少包括被通信地耦合到一个或多个传感器的第一计算设备。第一计算设备包括存储多头机器学习模型的第一模型头的一个或多个非暂时性计算机可读介质，该多头机器学习模型被配置为跨包括第一计算设备的多个计算设备分布。多头机器学习模型被配置用于与交互对象相关联的手势检测或移动识别中的至少一个。第一模型头被配置为至少部分地基于传感器数据和一个或多个推理标准选择性地生成至少一个推理。

本公开的一个示例方面涉及一种计算机实现的方法，该方法包括由第一计算设备获得指示多头机器学习模型的至少一部分的数据，该多头机器学习模型被配置为跨包括第一计算设备和第二计算设备的多个计算设备分布。多头机器学习模型被配置用于与交互对象相关联的手势检测或移动识别中的至少一个。该方法包括由第一计算设备将输入数据输入到多头机器学习模型中。该方法包括由第一计算设备使用多头机器学习模型的第一模型头基于输入数据生成一个或多个特征表示。该方法包括至少部分地基于输入数据和一个或多个推理标准选择性地生成至少一个推理。