与垂直联邦学习相关的方法、装置以及计算机程序与流程
本公开的各种示例涉及方法、装置以及计算机程序,尤其但不限于与电信网络中的垂直联邦学习相关的方法、装置以及计算机程序。
背景技术:
1、通信网络能够被视为一种设施,它使能两个或更多个通信设备之间的通信,或者为通信设备提供对数据网络的接入。移动或无线通信网络是通信网络的一个示例。通信设备可以通过应用服务器被提供有服务。
2、通信网络可以根据标准操作,诸如由3gpp(第三代合作伙伴计划)或etsi(欧洲电信标准协会)颁布的那些标准。由3gpp提供的标准的示例为所谓的用于蜂窝技术各代的3gpp标准,诸如用于4g技术的3gpp标准和用于5g技术的3gpp标准。根据3gpp标准操作的通信网络可以被称为3gpp网络。
技术实现思路
1、本公开的一些示例将关于某些方面被描述。这些方面并非旨在指示本公开的各种示例的关键或必要特征,也并非旨在被用于限制本公开的范围。鉴于本公开,其他特征、方面以及元素对于本领域技术人员而言将是显而易见的。例如,应当理解,另外的方面可以由以下描述的各个方面的任何两个或更多个的组合提供。
2、根据第一方面,提供了一种方法,包括:提供用户设备的人工智能机器学习使能客户端的垂直联邦学习vfl客户端简档,该vfl客户端简档包括关于用户设备的数据样本的一个或多个特征的信息,其中用户设备是用于参与垂直联邦学习机器学习任务的候选用户设备;从第一服务器接收对改变用户设备的数据样本的一个或多个特征中的一个或多个特征的可用性的请求,该请求包括用户设备的数据样本的一个或多个特征的标识符;根据请求改变一个或多个特征中的一个或多个特征的可用性;以及向第一服务器发送对该请求的响应,该响应指示特征中的一个或多个特征的可用性已经被改变。
3、该方法可以包括:从第一服务器接收针对一个或多个数据样本的一个或多个特征值的一个或多个哈希值的请求,并且向第一服务器发送对该请求的响应,该请求针对包括一个或多个数据样本的一个或多个特征值的一个或多个哈希值的一个或多个哈希值。
4、当用户设备被选择参与垂直联邦学习任务时,该方法可以包括:向第一服务器提供与在垂直联邦学习任务中被训练的模型相关的信息;以及从第一服务器接收所更新的信息,该所更新的信息更新在垂直联邦学习任务中被训练的模型。
5、根据第二方面,提供了一种方法,包括:对于作为用于参与垂直联邦学习机器学习任务的候选用户设备的多个用户设备:接收相应的用户设备的人工智能机器学习使能客户端的垂直联邦学习vfl客户端简档,该vfl客户端简档包括关于该相应的用户设备的数据样本的一个或多个特征的信息;向该相应的用户设备发送对改变该相应的用户设备的数据样本的一个或多个特征中的一个或多个特征的可用性的请求,该请求包括相应的用户设备的数据样本的一个或多个特征的标识符;以及从相应的用户设备接收对该请求的响应,该响应指示特征中的一个或多个特征的状态已经被改变。
6、该方法可以包括:确定由多个用户设备中的不同的用户设备提供的一个或多个特征中的一个或多个公共特征,并且基于由多个用户设备中的不同用户设备提供的一个或多个特征中的一个或多个公共特征,选择多个用户设备中的一个或多个用户设备作为用于垂直联邦学习任务的候选。
7、该方法可以包括:向基于一个或多个公共特征而为用于垂直联邦学习任务的候选的用户设备发送相应的请求,该相应的请求针对一个或多个数据样本的一个或多个特征值的一个或多个哈希值,并且从用户设备的相应的用户设备接收对该请求的响应,该请求针对包括一个或多个数据样本的一个或多个特征值的一个或多个哈希值的一个或多个哈希值。
8、该方法可以包括:使用来自不同用户设备的哈希值,以确定来自用户设备的不同用户设备的数据的对齐的测量。
9、来自用户设备的不同用户设备的数据的对齐的测量可以包括置信度矩阵。
10、以下一项或多项可以与第一方面的方法和第二方面的方法的一者或者两者一起被使用。
11、关于数据样本的特征的一个或多个特征的信息可以包括关于用于一个或多个特征中的相应特征的可用性的信息。
12、关于用于一个或多个特征中的相应特征的可用性的信息可以指示相应的特征的状态为激活和去激活中的一者。
13、关于用于一个或多个特征的可用性的信息可以指示相应的特征的状态为可用和不可用中的一者。
14、关于数据样本的特征中的一个或多个特征的信息可以包括关于用于一个或多个特征中的相应特征的可用性的到期的信息。
15、该请求可以包括在垂直联邦学习机器学习任务中指示相应特征的优先级的信息,可用性中的改变针对相应特征的优先级被请求。
16、该请求可以包括指示该相应特征的可用性中的改变针对其将被应用的时间的信息。
17、该请求可以包括指示该相应特征的状态中的改变针对其将被应用的时间的信息。
18、该请求可以包括指示相应特征的状态将被设置为激活或被设置为去激活以改变相应特征的状态的信息。
19、该请求可以包括指示相应特征的状态将被设置为可用或被设置为不可用以改变该相应特征的状态的信息。
20、该响应可以包括指示符合对改变一个或多个特征中的一个或多个特征的可用性的请求的程度的信息。
21、该响应包括指示相应特征的可用性中的改变针对其将被应用的调整的时间的信息。
22、根据第三方面,提供了一种方法,包括:接收针对关于用户设备的数据样本的一个或多个特征的信息的第一请求;向第一服务器发送对第一请求的响应,该响应包括关于用户设备的数据样本的一个或多个特征的信息,其中该用户设备是用于参与垂直联邦学习任务的候选用户设备;从第一服务器接收第二请求,该第二请求针对用于用户设备的数据样本的一个或多个特征中的一个或多个特征的一个或多个完整性保护的值;以及响应于第一请求,向第一服务器提供用于用户设备的数据样本的一个或多个特征中的一个或多个特征的一个或多个完整性保护的值。
23、当用户设备被选择参与垂直联邦学习任务时,该方法可以包括:向第一服务器提供与在垂直联邦学习任务中被训练的模型相关的信息;以及从第一服务器接收所更新的信息,该所更新的信息更新在垂直联邦学习任务中被训练的模型。
24、根据第四方面,提供了一种方法,该方法包括:对于作为用于参与垂直联邦学习机器学习任务的候选用户设备的多个用户设备:向相应的用户设备发送针对关于该相应的用户设备的数据样本的一个或多个特征的信息的第一请求;从相应的用户设备接收对第一请求的响应,该响应包括关于用于该相应的用户设备的数据样本的一个或多个特征的信息;向相应的用户设备发送第二请求,该第二请求针对用于该相应的用户设备的数据样本的一个或多个特征中的一个或多个特征的一个或多个完整性保护的值;以及响应于第二请求,接收用于该用户设备的数据样本的一个或多个特征中的一个或多个特征的一个或多个完整性保护的值。
25、该方法可以包括:确定多个用户设备中的不同的用户设备的一个或多个特征中的一个或多个公共特征,并且基于该一个或多个公共特征,选择多个用户设备中的一个或多个用户设备作为用于垂直联邦学习任务的候选。
26、该方法可以包括:使用来自不同用户设备的完整性保护的值,以确定来自用户设备中的不同用户设备的数据的对齐的一个或多个测量。
27、来自用户设备的不同用户设备的数据的对齐的一个或多个测量可以包括置信度矩阵。
28、该方法可以包括:向垂直应用层服务器发送消息,该消息包括关于来自用户设备的不同用户设备的数据的对齐的一个或多个测量的信息。
29、被发送给垂直应用层服务器的消息还可以包括关于用于基于垂直联邦学习任务来分析来自用户设备的不同用户设备的数据的对齐的一个或多个测量的一个或多个标准的信息。
30、该方法可以包括:从垂直应用层服务器接收对发送给该垂直应用层服务器的消息的响应,该响应包括关于参与垂直联邦学习任务所需的最小置信度阈值的信息;以及使用关于该最小置信度阈值的信息选择一个或多个用户设备,以用于评估相应的用户设备的相应的模型训练能力。
31、以下一项或多项可以被用于第三方面的方法和第四方面的方法中的一者或两者。
32、完整性保护的值可以包括哈希值。
33、第一请求可以包括关于垂直联邦学习任务的信息。
34、第一请求包括指示所请求的特征管理过程的信息。
35、所请求的特征管理过程可以包括以下一项或多项:用于垂直联邦学习任务的特征准备;或特征重要性分析。
36、第一请求可以指示信息关于以下一项或多项被请求:一个或多个特征的数据类型;一个或多个特征的表示的维度;或与一个或多个特征相关联的隐私要求。
37、对第一请求的响应可以包括关于以下一项或多项的信息:一个或多个特征的数据类型;一个或多个特征的表示的维度;或与一个或多个特征相关联的隐私要求。
38、第一至第四方面中的任一方面的方法均可以由装置执行。
39、该装置可以包括用以执行该方法的部件。
40、该装置可以包括:至少一个处理器,以及至少一个存储器,该至少一个存储器存储指令,该指令当由至少一个处理器执行时,使得该装置至少执行上述方法中的任何一项。
41、第一方面和/或第三方面的装置可以是用户设备,或被提供在用户设备中。
42、第二方面和/或第四方面的装置可以是服务器,被提供在服务器中,或提供服务器。
43、根据另一个方面,提供一种计算机可读介质,包括存储在其上程序指令,用于执行上述方法的至少一项。
44、根据一个方面,提供一种非易失性计算机可读介质,包括存储在其上的程序指令,用于执行上述方法的至少一项。
45、根据一个方面,提供一种非易失性有形存储介质,包括存储在其上的程序指令,用于执行上述方法的至少一项。
46、根据一个方面,提供一种程序,包括指令,该指令当由至少一个处理器执行时,使得上述方法中的任一项被执行。
47、在上文中,许多不同的方面已经被描述。应当理解,另外的方面可以通过上述或本文中其他部分所述的方面中的任何两个或更多个(或其相应的(多个)部分)的组合被提供。
48、各种其他方面还在以下详细描述和权利要求中被描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com