执行机器学习模型制造技术

本文所描述的实施例提供了用于执行机器学习模型的方法和装置。在第一节点处，基于第一数据集并使用机器学习算法开发第一机器学习模型。在第二节点处，基于第一机器学习模型和第二数据集并使用机器学习算法开发第二机器学习模型。关于第一机器学习模型与第二机器学习模型之间的差异的信息从第二节点被传送到第一节点。在第一节点处接收对执行机器学习模型的请求。响应于接收到对执行机器学习模型的请求，在第一节点处获得指示执行策略的信息。最后，取决于所获得的指示执行策略的信息：在第一节点处执行基于第一机器学习模型和关于第一机器学习模型与第二机器学习模型之间的差异的信息的机器学习模型以获得结果；或者在第一节点处部分地执行第一机器学习模型，并在第二节点处部分地执行第二机器学习模型，以获得结果。获得结果。获得结果。

【技术实现步骤摘要】
【国外来华专利技术】执行机器学习模型


[0001]本文所描述的实施例涉及用于执行机器学习模型的方法和装置。

技术介绍

[0002]图1示出了网络100的示例。网络100包括中央节点102和多个边缘节点104a、104b、104c。在该示例中，边缘节点104a、104b、104c分别通过链路106a、106b、106c通信地互连到中央节点102。边缘节点104a、104b、104c可以是基于边缘的部署的示例，中央节点102可以是集中式部署的示例。应当理解，在本公开的上下文中，基于边缘的部署是指在其中可以执行或训练机器学习模型的环境，其中该环境比集中式环境更接近数据源，诸如数据中心(例如，中央节点102)。例如，基于边缘的部署可以包括用户设备。
[0003]如上文所描述的，中央节点102可以包括一个或多个集中式数据集。这些一个或多个集中式数据集可被用于训练机器学习模型。通常，需要大型的集中式数据集来训练准确的机器学习模型。
[0004]然而，对训练机器学习模型的集中式数据集的该需要可以通过采用分布式机器学习技术(例如，联邦学习)来补充。通过采用分布式机本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于执行机器学习模型的方法，所述方法包括：在第一节点处，基于第一数据集并使用机器学习算法，开发第一机器学习模型；在第二节点处，基于所述第一机器学习模型和第二数据集并使用所述机器学习算法，开发第二机器学习模型；从所述第二节点向所述第一节点传送关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息；在所述第一节点处，接收对执行机器学习模型的请求；响应于接收到对执行所述机器学习模型的所述请求，在所述第一节点处，获得指示执行策略的信息；以及取决于所获得的指示执行策略的信息：在所述第一节点处，执行基于所述第一机器学习模型和关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息的机器学习模型，以获得结果；或者在所述第一节点处部分地执行所述第一机器学习模型，并在所述第二节点处部分地执行所述第二机器学习模型，以获得结果。2.根据任一前述权利要求所述的方法，所述方法还包括：传送所获得的结果。3.根据任一前述权利要求所述的方法，其中，在所述第一节点处部分地执行所述第一机器学习模型并在所述第二节点处部分地执行所述第二机器学习模型以获得结果的步骤包括：在所述第一节点处，部分地执行所述第一机器学习模型；以及在所述第一节点处，使得所述第二机器学习模型基于关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息而在所述第二节点处被部分地执行。4.根据任一前述权利要求所述的方法，其中，关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息包括：所述第二机器学习模型与所述第一机器学习模型不同的信息；和/或所述第二机器学习模型与所述第一机器学习模型不同的信息，或者所述第二机器学习模型与所述第一机器学习模型没有不同的信息；和/或标识所述第一机器学习模型与所述第二机器学习模型之间的差异的信息；和/或所述第二机器学习模型。5.根据任一前述权利要求所述的方法，其中，指示执行策略的信息是从策略节点获得的，或者是从所述第一节点中的存储器获得的。6.根据任一前述权利要求所述的方法，其中，当指示所述执行策略的信息包括指示在所述第一节点处执行基于所述第一机器学习模型和关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息的所述机器学习模型的信息时，所述信息还包括指示所述机器学习模型的至少一部分应当在飞地模式中被执行的信息。7.根据任一前述权利要求所述的方法，其中，当指示所述执行策略的信息包括指示在所述第一节点处部分地执行所述第一机器学习模型并在所述第二节点处部分地执行所述第二机器学习模型的信息时，所述信息还包括指示所述第一机器学习模型或所述第二机器学习模型的至少一个组件应当在飞地模式中被执行的信息。8.根据任一前述权利要求所述的方法，其中，所述第一机器学习模型和所述第二机器
学习模型能够各自由计算图表示。9.根据权利要求8所述的方法，其中，所述计算图是有向无环图。10.根据权利要求8或9所述的方法，其中，所述第一机器学习模型和所述第二机器学习模型各自是以下各项之一：神经网络，支持向量机，决策树，以及随机森林。11.根据任一前述权利要求所述的方法，其中，在所述第一节点处执行基于所述第一机器学习模型和关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息的机器学习模型以获得结果的步骤包括：在所述第一节点处，在飞地存储器段中至少部分地执行基于所述第一机器学习模型和关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息的机器学习模型。12.根据权利要求1至10中的任一项所述的方法，其中，在所述第一节点处部分地执行所述第一机器学习模型并在所述第二节点处部分执地行所述第二机器学习模型以获得结果的步骤包括：在所述第一节点处，在飞地存储器段中执行所述第一机器学习模型的至少一个组件；和/或在所述第二节点处，在飞地存储器段中执行所述第二机器学习模型的至少一个组件；和/或在所述第一节点处部分地执行所述第一机器学习模型，以形成第一部分结果；将所述第一部分结果从所述第一节点传送到所述第二节点；在所述第二节点处，使用所述第一部分结果来部分地执行所述第二机器学习模型，以形成第二部分结果；将所述第二部分结果从所述第二节点传送到所述第一节点；在所述第一节点处，使用所述第二部分结果来部分地执行所述第一机器学习模型，以形成最终结果。13.一种用于执行机器学习模型的系统，所述系统包括：第一网络节点；以及第二网络节点，其中，所述系统被配置为执行根据权利要求1至12中的任一项所述的方法。14.一种计算机程序产品，包括计算机可读代码，其被配置用于使得适合的编程处理器执行根据权利要求1至12中的任一项所述的方法。15.一种计算机程序产品，包括有形的计算机可读介质，其包含用于使得处理器执行方法的计算机可读指令，所述方法包括：在第一节点处，基于第一数据集并使用机器学习算法，开发第一机器学习模型；在第二节点处，基于所述第一机器学习模型和第二数据集并使用所述机器学习算法，开发第二机器学习模型；从所述第二节点向所述第一节点传送关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息；在所述第一节点处，接收对执行机器学习模型的请求；响应于接收到对执行所述机器学习模型的所述请求，在所述第一节点处，获得指示执行策略的信息；以及
取决于所获得的指示执行策略的信息：在所述第一节点处，执行基于所述第一机器学习模型和关于所述第一机器学习模型与所述第二机器学习模型之间的差异的信息的机器学习模型，以获得结果；或者在所述第一节点处部分地执行所述第一机器学习模型，并在所述第二节点处部分地执行所述第二机器学习模型，以获得结果。16.一种用于执行在第一节点中执行的机器学习模型的方法，所述方法包括：在第一节点处，基于第一数据集并使用机器学习算法，开发第一机器学习模型；向第二网络节点传送所述第一机器学习模型；从所...

【专利技术属性】
技术研发人员：B，
申请(专利权)人：瑞典爱立信有限公司，
类型：发明
国别省市：