[发明专利]一种更新机器学习模型的方法及通信装置

说明书

本申请涉及一种更新机器学习模型的方法及通信装置，涉及人工智能技术领域和通信技术领域，该方法中，网络设备根据终端设备的计算能力为该终端设备确定对应的模型训练配置信息，并在将该模型训练配置信息发送给终端设备后接收该终端设备发送的模型更新参数，该模型更新参数是终端设备根据模型训练配置信息对第一机器学习模型训练后更新的模型参数，再根据接收到的模型更新参数对第二机器学习模型进行更新。如此，根据各个终端设备的计算能力减少各个终端设备向网络设备上报模型更新参数时间上的差异性，网络设备基于各个终端设备上报的模型更新参数进行模型更新时能够尽量在短时间内完成，提高模型更新的收敛速度，提高机器学习模型的更新效率。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种更新机器学习模型的方法及通信装置。

背景技术

无线通信网络正朝着网络多元化、宽带化、综合化、智能化的方向发展。无线传输采用越来越高的频谱、越来越宽的带宽、越来越多的天线，采用传统的通信方法复杂度太高且性能难以保证。此外，随着智能终端和各种应用爆炸式发展，无线通信网络行为和性能因素比过去更加动态和不可预测。低成本、高效率地运营日益复杂的无线通信网络是当前运营商面临的一项挑战。

随着人工智能(artificial intelligence，AI)技术和机器学习(machinelearning，ML)技术的发展，AI/ML在无线通信网络中也将承担着越来越重要的任务。目前，在无线通信网络中，终端设备和网络侧之间的物理层、媒体介入控制、无线资源控制、无线资源管理、运维等领域均在引入AI/ML。终端设备和网络设备(例如基站)作为无线通信网络的一部分，均可引入AI/ML进行相关通信事务的处理，具体来说，可以利用各自本地的数据进行机器学习模型的训练，进一步地再通过训练得到的机器学习模型处理相关的通信事务。

终端设备中的数据一般都是涉及用户隐私的，为避免用户的隐私数据泄露，所以各个终端设备一般是在本地利用其自身的数据对网络设备预先分发的机器学习模型的训练，然后将训练之后得到的模型更新参数发送给网络设备，再由网络设备对各个参与方(即前述进行模型训练的各个终端设备)发送的模型更新参数进行汇聚，进而对网络设备本地的机器学习模型直接进行更新。在此过程中，各个终端设备中的用户数据一般并不相同，由于各个终端设备进行模型训练的能力一般也存在差异，并且各个终端设备进行模型训练的配置信息是由各个终端自行配置或者由终端用户自行选择的，导致各个终端设备进行机器学习模型训练所花的时间一般也不相同，因此网络设备接收到各个终端设备上传的模型更新参数的时间一般存在较大差异，而网络设备进行本地模型更新是需要所有参与方上报的模型更新参数，所以，由于各个终端设备上报各自的模型更新参数的时间差异性，导致网络设备进行本地模型更新所需要的时间也受到影响，对机器学习模型更新的收敛速度较慢，更新效率较低。

发明内容

本申请实施例提供一种更新机器学习模型的方法及通信装置，用于提高对机器学习模型更新的收敛速度，以提高机器学习模型的更新效率。

第一方面，提供一种更新机器学习模型的方法，该方法可以应用于网络设备，也可以应用于网络设备内部的芯片。以该方法应用于网络设备为例，在该方法中，网络设备根据终端设备的计算能力为该终端设备确定对应的模型训练配置信息，并在将该模型训练配置信息发送给终端设备后接收到该终端设备发送的模型更新参数，再根据接收到的模型更新参数对网络设备中的第二机器学习模型进行更新。其中，终端设备发送的模型更新参数是该终端设备根据网络设备发送的模型训练配置信息对本地的第一机器学习模型进行本地训练后得到的更新参数。

其中，终端设备本地的机器学习模型称作第一机器学习模型，网络设备本地的机器学习模型称作第二机器学习模型，第一机器学习模型是由网络设备为终端设备分发的。第一机器学习模型和第二机器学习模型是同一种类型的机器学习模型，或者，第一机器学习模型和第二机器学习模型是不同类型的机器学习模型，为便于网络设备根据各个终端设备上报的模型更新参数信息进行本地的模型更新，第一机器学习模型和第二机器学习模型是相同类型的机器学习模型。