用于无线通信系统中的深度神经网络的联邦学习技术方案

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。个UE使用公共ML配置来形成更新的DNN。个UE使用公共ML配置来形成更新的DNN。

【技术实现步骤摘要】
【国外来华专利技术】用于无线通信系统中的深度神经网络的联邦学习

技术介绍

[0001]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

[0002]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。
[0003]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。
[0004]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
技术实现思路
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
技术实现思路
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。
附图说明
[0005]下面描述用于无线通信系统中的深度神经网络(DNN)的联邦学习的一个或多个方面的细节。在说明书和附图中的不同实例中使用相同的附图标记指示类似的元件：
[0006]图1图示了可以实现用于无线通信系统的DNN的联邦学习的各个方面的示例环境；
[0007]图2图示了可以实现用于无线通信系统中的DNN的联邦学习的各个方面的设备的示例设备图；
[0008]图3图示了可以实现无线通信系统中的DNN的联邦学习的各个方面的设备的示例
设备图；
[0009]图4图示了根据用于无线通信系统中的DNN的联邦学习的各个方面的在无线通信系统中利用多个深度神经网络的示例操作环境；
[0010]图5图示了根据用于无线通信系统中的DNN的联邦学习的各个方面的生成多个神经网络形成配置的示例；
[0011]图6图示了实现用于无线通信系统中的DNN的联邦学习的各种网络实体之间的示例事务图；
[0012]图7图示了可以用于实现用于无线通信系统中的DNN的联邦学习的各个方面的第一示例方法；以及
[0013]图8图示了可以用于实现用于无线通信系统中的DNN的联邦学习的各个方面的第二示例方法。
具体实施方式
[0014]在常规的无线通信系统中，发射器和接收器处理链包括许多操作。例如，处理链中的信道估计块估计或预测传输环境如何使通过传输环境传播的信号失真。作为另一个示例，信道均衡器块反转由信道估计块所识别的接收到的信号上的失真。当处理诸如6GHz以上范围内的5G频率的较高频率范围时，这些操作经常变得更加复杂。例如，相对于较低频率范围，传输环境对较高频率范围增加了更多的失真，从而使信息恢复更加复杂。作为另一个示例，添加到用于处理较高频率范围的设备的硬件可以潜在地增加构建该设备的成本和复杂性。
[0015]深度神经网络(DNN)提供用于执行各种类型的操作诸如处理在无线通信系统中的设备之间传输的通信——的解决方案。为了说明，通过在发射器和/或接收器处理链操作上训练DNN,DNN可以以多种方式代替常规操作，诸如通过代替在无线通信信号的端到端处理中使用的一些或全部常规处理块，代替单独处理链块等。DNN的动态重新配置，诸如通过修改各种架构配置(例如，层数、层处理算法、下采样配置)和参数配置(例如，系数或权重、层连接、内核大小)，也提供了基于改变的操作条件来适配DNN如何处理无线通信的能力。
[0016]通常，机器学习(ML)算法——诸如DNN——学习如何处理输入数据并且转换输入数据以生成输出。ML算法接收处理反馈(例如，指示所生成的输出的准确性或不准确性的反馈)，并且修改ML算法的各种架构和参数配置，以改善所生成的输出的准确性和质量。在一些方面中，ML控制器或管理器基于不同的操作条件来生成ML算法的不同ML配置。为了说明，ML控制器为基于信号或链路质量参数、UE能力、定时信息、调制编码方案(MCS)等的变化处理无线通信的DNN生成不同ML配置。这使得ML控制器能够基于当前操作条件动态地修改DNN，并且改善通过无线网络传输的无线通信的总体性能(例如，较高处理分辨率、较快处理、较低比特误差、改善的信号质量、减少的等待时间)。
[0017]联邦学习与用于机器学习算法的分布式训练机制相对应。为了说明，ML控制器选择基线ML配置，并且指导多个设备使用基线ML配置来形成和训练ML算法。ML控制器然后接收并且聚合来自多个设备的训练结果，以生成用于ML算法的更新的ML配置。作为一个示例，多个设备各自在处理它们自己的特定输入数据时报告由ML算法所生成的学习参数(例如，权重或系数)，并且ML控制器通过对权重或系数求平均来创建更新的ML配置而创建更新的
ML配置。作为另一个示例，多个设备各自都基于它们自己的单独输入数据向ML控制器报告指示基于函数处理成本(例如，处理时间、处理准确性)的最佳ML配置的梯度结果，并且ML控制器对梯度进行平均。在一些方面中，多个设备向学习的ML架构报告来自基线ML配置的更新和/或改变。术语联邦学习、分布式训练和/或分布式学习可以互换地使用。
[0018]通过报告ML算法的学习权重/系数、梯度或ML架构，而不是它们的特定输入数据，设备通信学习结果而不暴露输入数据。这保护了每个设备的隐私，并且向ML控制器提供学习的ML信息。因为多个设备基于它们自己的输入数据来训练和报告结果，所以联邦学习增加了在ML算法上执行的训练量，并且改善由ML控制器通过聚合所生成的所得ML配置。参考处理无线通信的DNN，这也改善处理无线通信的总体性能和/或在无线网络中传输的无线通信。
[0019本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】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：指导用户设备UE集合中的每个用户设备UE使用初始ML配置形成处理无线网络通信的相应深度神经网络DNN；从所述UE集合中的每个UE请求关于所述UE的相应DNN的更新的ML信息的报告，所述更新的ML信息由所述UE使用训练过程和所述UE本地的输入数据来生成；从所述UE集合中的至少一些UE接收由所述UE确定的相应更新的ML信息以及一个或多个相应链路或信号质量参数；通过使用所述一个或多个相应链路或质量参数识别所述UE集合中的具有一个或多个相称链路或信号质量参数的UE子集；使用来自所述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；以及指导所述UE子集中的每个UE使用所述公共ML配置形成处理所述无线网络通信的更新的DNN。2.根据权利要求1所述的方法，进一步包括：在所述网络实体处并且基于所述公共ML配置，确定用于所述网络实体处的网络侧DNN的互补ML架构，所述网络侧DNN执行与由所述更新的DNN所执行的处理互补的所述无线网络通信的处理。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：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。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：使用由所述网络实体生成的上行链路链路或信号质量参数来确定所述公共ML配置；或者使用从所述UE集合中的一个或多个UE接收到的下行链路链路或信号质量参数来确定所述公共ML配置。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：从所述UE集合中选择具有相称UE位置的至少两个UE。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：确定用于处理下行链路无线通信的下行链路DNN的公共ML配置；或者确定用于处理上行链路无线通信的上行链路DNN的公共ML配置。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：第一信号或链路质量参数改变了多于第一阈值；或者UE位置改变了至少第二阈值。8.根据权利要求7所述的方法，进一步包括：基于所述第一信号或链路质量参数改变了多于所述...

【专利技术属性】
技术研发人员：王继兵，埃里克，
申请(专利权)人：谷歌有限责任公司，
类型：发明
国别省市：