在使能层中对纵向联邦学习的支持的制作方法

本公开涉及无线通信，并且具体地，涉及在使能层中支持纵向联邦学习（vfl）。

背景技术：

1、第三代合作伙伴计划（3gpp）已经制定并且正在制定用于第四代（4g）（也称为长期演进（lte））和第五代（5g）（也称为新无线电（nr））无线通信系统的标准。除了其它特征之外，这种系统提供在网络节点（例如基站）和移动用户设备（ue）之间的宽带通信，以及在网络节点之间和wd之间的通信。3gpp还正在制定用于第六代（6g）无线通信网络的标准。

2、在3gpp系统方面工作组2（sa2）版本18中已经研究了人工智能和/或机器学习（ai/ml）相关主题。例如，在sa2版本18工作项目ena_ph3中（在3gpp技术报告（tr）23.700-81v18.0.0中和在3gpp技术规范（ts）23.288 v18.4.0中规定的规范工作中）已经研究了在5g核心（5gc）内的多个网络数据分析功能（nwdafs）之间的横向联邦学习（hfl）。在sa2 版本18工作项目aimlsys（在3gpp tr 23.700-80 v18.0.0中，3gpp ts 23.501 v18.4.0和3gpp ts23.502 v18.4.0中的规范工作）中已经研究了5gc对应用层ai/ml操作的支持。关于在使能层处支持vfl的另一个3gpp sa6版本19关键问题，在3gpp tr 23.700-82 v0.2.0中已经达成一致。

3、关于在使能层处支持vfl的关键问题（ki）（例如，对应于3gpp tr 23.700-82（v0.2.0）中的第5.4款）

4、可以存在两种类型的联邦学习定义：横向联邦学习和纵向联邦学习。在数据集共享相同特征空间但具有不同样本的场景中，横向联邦学习或基于样本的联邦学习被引入。纵向联邦学习或基于特征的联邦学习可以应用于两个数据集共享相同的样本空间但特征空间不同的情况。在横向联邦学习和纵向联邦学习中，来自每个本地模型训练函数的模型参数被发送到模型聚合器（或fl协作方）以计算聚合模型。模型聚合器向每个ml模型训练实体提供更新的模型参数，每个ml模型训练实体使用该更新的模型参数来重新训练其自己的模型，从而允许每个本地模型训练函数具有使用来自多个源的数据的经训练模型。

5、图1示出了示例性的纵向fl（vfl）过程。如果vfl被使能层支持，则一些问题是不同的，并且需要与ki #3分开研究，尤其是：

6、- 如何确保所有训练函数具有对齐的样本范围，例如相同的用户，以支持vfl；以及

7、- 如何发现为了支持vfl在域之间（针对相同的样本范围）的可用特征。

8、对于可应用于横向fl和纵向fl两者的方面（例如，组织训练），该ki可以重用针对fl的ki#3的研究结果。

9、另外，现有规范可以描述在3gpp ts 23.288 v18.4.0中给出的在5gc内的多个nwdaf之间的fl的过程以及用于5gs对应用层fl操作的辅助的过程。此外，可以存在用于在5gc内的多个nwdafs之间的常规ml模型训练过程和hfl的过程，以及用于5gs对应用层fl操作的辅助的过程。

技术实现思路

1、一些实施例有利地提供了用于在使能层中支持vfl的方法、系统和装置，例如，涉及在不同域的多个ue，并且可以涉及网络节点（例如5gc网络功能（nf））。可以考虑在sa6中针对3gpp版本19达成一致的ki中列出的研究方面。

2、一个或多个实施例解决以下中的一个或多个：

3、- 网络节点（例如ai/ml使能服务器）如何获得vfl成员（例如，在不同域的ue和5gcnwdaf）的信息（数据集和特征等）；以及

4、- 网络节点（例如ai/ml使能服务器）如何利用所获取的信息（例如，关于数据集和特征的信息）来在域之间协调vfl过程。

5、根据一个方面，描述了一种在网络节点中的方法，所述网络节点被配置作为人工智能机器学习使能（aimle）服务器，所述aimle服务器支持纵向联邦学习（vfl）并且被配置为与至少一个消费者网络节点和支持aimle客户端的至少一个用户设备（ue）通信。该方法包括接收来自消费者网络节点的第一请求。所述第一请求请求至少一个人工智能机器学习（ai/ml）操作。该方法还包括响应于接收所述第一请求，确定将要使用在数据集域之间的vfl训练，将向与所述数据集域相关联的所选择的一个或多个aimle客户端发送第二请求，所述第二请求是用以评估至少一个aimle客户端参与所述vfl训练的能力和可用性的请求，以及至少基于来自所述所选择的一个或多个aimle客户端的对所述第二请求的响应，确定用于所述vfl训练的一个或多个aimle客户端。此外，该方法还包括协调所确定的一个或多个aimle客户端以执行所述vfl训练。

6、在一些实施例中，该方法还包括：响应于第一请求，获取与对vfl成员的发现相关联的信息。

7、在一些其他实施例中，所述第一请求包括ml模型信息。

8、在一些实施例中，所述第一请求包括具有aimle客户端的ue的列表。

9、在一些其他实施例中，所述第一请求包括训练类型。

10、在一些实施例中，所述第二请求包括以下中的一个或多个：（a）测试任务；（b）数据源；（c）数据集的一个或多个特征标识符；以及（d）用于支持vfl操作的可用时间。

11、在一些其他实施例中，对所述第二请求的响应包括参与vfl训练的结果。

12、在一些实施例中，对所述第二请求的响应包括响应于所述第二请求中的测试任务的测试结果。

13、根据另一方面，描述了一种网络节点，其被配置作为人工智能机器学习使能（aimle）服务器，所述aimle服务器支持纵向联邦学习（vfl）并且被配置为与至少一个消费者网络节点和支持aimle客户端的至少一个用户设备（ue）通信。所述网络节点被配置为执行与在网络节点中实现的方法相对应的一个或多个步骤。

14、根据一个方面，描述了一种用户设备（ue）中的方法。所述ue包括人工智能机器学习使能（aimle）客户端。该方法包括接收来自aimle服务器的请求，以评估所述aimle客户端参与纵向联邦学习（vfl）训练的能力和可用性，以及发送指示所述aimle客户端是否能够参与所述vfl训练的响应。

15、在一些实施例中，所述请求包括以下中的一个或多个：（a）测试任务；（b）数据源；（c）数据集的一个或多个特征标识符；以及（d）用于支持vfl操作的可用时间。

16、在一些其他实施例中，该方法还包括：发送对所述请求的响应，其中所述响应包括响应于所述请求中的测试任务的测试结果。

17、根据另一方面，描述了一种用户设备（ue），其包括人工智能机器学习使能（aimle）客户端。所述ue被配置为执行与在ue中实现的方法相对应的一个或多个步骤。

1.一种在网络节点（16）中的方法，所述网络节点被配置作为人工智能机器学习使能aimle服务器（62），所述aimle服务器支持纵向联邦学习vfl并且被配置为与至少一个消费者网络节点（16）和支持aimle客户端（66）的至少一个用户设备ue（22）通信，所述方法包括：

2.根据权利要求1所述的方法，其中，所述方法进一步包括：

3.根据权利要求1和2中任一项所述的方法，其中，所述第一请求包括ml模型信息。

4.根据权利要求1至3中任一项所述的方法，其中，所述第一请求包括具有aimle客户端（66）的ue（22）的列表。

5.根据权利要求1至4中任一项所述的方法，其中，所述第一请求包括训练类型。

6.根据权利要求1至5中任一项所述的方法，其中，所述第二请求包括以下中的一个或多个：

7.根据权利要求1至6中任一项所述的方法，其中，对所述第二请求的所述响应包括：

8.根据权利要求1至7中任一项所述的方法，其中，对所述第二请求的所述响应包括：

9.一种网络节点（16），被配置作为人工智能机器学习使能aimle服务器（62），所述aimle服务器支持纵向联邦学习vfl并且被配置为与至少一个消费者网络节点（16）和支持aimle客户端（66）的至少一个用户设备ue（22）通信，所述网络节点（16）被配置为执行与权利要求1至8相对应的一个或多个步骤。

10.一种在用户设备ue（22）中的方法，所述ue（22）包括人工智能机器学习使能aimle客户端（66），所述方法包括：

11.根据权利要求10所述的方法，其中，所述请求包括以下中的一个或多个：

12.根据权利要求10和11中任一项所述的方法，其中，所述方法还包括：

13.一种用户设备ue（22），包括人工智能机器学习使能aimle客户端（66），所述ue（22）被配置为执行与权利要求10至12相对应的一个或多个步骤。