用于无线通信系统中的深度神经网络的联邦学习的制作方法

背景技术：

1、演进无线通信系统利用越来越复杂的架构作为相对于先前无线通信系统提供更多性能的方式。作为一个示例，第五代新无线电(5g nr)无线技术使用更高的频率范围，诸如6千兆赫(ghz)以上频段，传输数据，以增加数据容量。然而，使用这些较高频率范围传输和恢复信息带来了挑战。为了图示，相对于较低频率信号，较高频率信号更容易受到多径衰落、散射、大气吸收、衍射、干扰等的影响。作为另一个示例，能够传输、接收、路由和/或以其他方式使用这些较高频率的硬件能够是昂贵的并且复杂的以并入到设备中。随着无线通信系统和技术的新进展，可以使用新方法来产生能够使用这些较高频率范围进行无线通信的设备。

技术实现思路

1、本文档描述了用于无线通信系统中的深度神经网络(dnn)的联邦学习的技术和装置。网络实体指导用户设备(ue)集合中的每个ue使用初始机器学习(ml)配置来形成处理无线网络通信的相应深度神经网络(dnn)。网络实体请求ue集合中的每个ue通过使用训练过程和相应ue本地的输入数据生成关于相应dnn的更新的ml信息来报告该更新的ml信息。网络实体然后从ue集合中的至少一些ue接收由相应ue确定的相应更新的ml信息。网络实体识别ue集合中的具有一个或多个公共特性的ue子集，并且使用来自ue子集中的每个ue的相应更新的ml信息来确定公共ml配置。网络实体然后指导ue子集中的每个ue使用公共ml配置来形成处理无线网络通信的更新的dnn。

2、在各个方面中，用户设备(ue)从网络实体接收用于使用初始机器学习(ml)配置来形成处理无线网络通信的深度神经网络(dnn)的指导。ue从网络实体接收基于训练过程为dnn报告更新的ml信息的请求，并且通过使用ue本地的数据执行训练过程来生成更新的ml信息。ue向网络实体传输指示更新的ml信息的消息。ue从网络实体接收使用公共ml配置更新dnn的指示，并且然后使用公共ml配置来更新dnn。

3、在附图和以下描述中阐述了用于无线通信系统中的dnn的联邦学习的一个或多个实施方式的细节。其他特征和优点从说明书和附图以及从权利要求将是显而易见的。提供本
技术实现要素：
以介绍在具体实施方式和附图中进一步描述的主题。因此，不应当将本发明内容视为描述必要特征，也不应当将其用于限制所要求保护的主题的范围。

技术特征：

1.一种由网络实体执行的用于在无线网络中使用分布式训练来确定至少一个机器学习ml配置的方法，所述方法包括：

2.根据权利要求1所述的方法，进一步包括：

3.根据权利要求1或2所述的方法，其中，确定所述公共ml配置进一步包括：

4.根据权利要求3所述的方法，其中，基于所述一个或多个相称链路或信号质量参数来确定所述公共ml配置进一步包括以下中的至少一个：

5.根据任一项前述权利要求所述的方法，其中，识别所述ue集合中的所述ue子集进一步包括：

6.根据权利要求1至5中的任一项所述的方法，其中，确定所述公共ml配置进一步包括：

7.根据权利要求1至6中的任一项所述的方法，其中，请求所述更新的ml信息的报告包括指示指定何时报告所述更新的ml信息的一个或多个更新条件，所述一个或多个更新条件包括以下中的至少一个：

8.根据权利要求7所述的方法，进一步包括：

9.一种由用户设备ue执行的用于在无线网络中参与机器学习ml算法的分布式训练的方法，所述方法包括：

10.根据权利要求9所述的方法，其中，接收报告所述更新的ml信息的所述请求进一步包括：

11.根据权利要求10所述的方法，进一步包括：

12.根据权利要求11所述的方法，其中，检测所述更新条件包括：

13.根据权利要求9至12中的任一项所述的方法，进一步包括：

14.根据权利要求13所述的方法，进一步包括：

15.一种设备，包括：

技术总结
各个方面描述了在无线通信系统中的用于深度神经网络DNN的联邦学习。网络实体指导(610)用户设备UE集合中的每个UE使用初始机器学习(ML)配置来形成处理无线网络通信的相应深度神经网络DNN。网络实体从UE集合中的每个UE请求(620)由相应UE使用训练过程和本地输入数据所生成的相应更新的ML信息。网络实体然后从UE集合中的至少一些UE接收(640)由相应UE确定的相应更新的ML信息。网络实体识别(645)UE集合中的UE子集，并且确定(650)UE子集的公共ML配置。网络实体然后指导(655)UE子集中的每个UE使用公共ML配置来形成更新的DNN。

技术研发人员：王继兵,埃里克·理查德·施陶费尔
受保护的技术使用者：谷歌有限责任公司
技术研发日：
技术公布日：2024/1/12