[发明专利]个性化机器学习模型的隐身模式

说明书

本公开提供用于装置上机器学习的系统和方法。具体地，本公开涉及装置上机器学习平台和相关联技术，其使得进行装置上预测、训练、样本收集和/或其他机器学习任务或功能成为可能。装置上机器学习平台可以包括模式控制器，该模式控制器允许用户提供数据输入，该数据输入指示是在用于存储训练样本的第一收集模式(例如，许可模式)下还是在不用于存储训练样本的第二收集模式(例如，隐身模式)下操作装置上的一个或多个应用程序。训练样本可以基于与一个或多个应用程序的用户交互来生成，并且通过使用特定于用户的训练样本对模型进行重新训练来个性化由(多个)应用程序使用的一个或多个机器学习模型。

技术领域

本公开总体上涉及机器学习。更具体地，本公开涉及装置上机器学习平台和相关联的技术，其使得动态样本收集和训练、以及相关的机器学习任务或功能成为可能。

背景技术

近年来，机器学习已经越来越多地用于向计算装置的用户提供改进的服务。特别是，许多应用程序或其他计算程序或系统依赖于一个或多个机器学习模型，以基于与程序、装置和/或用户相关联的输入数据来产生推断。(多个)应用程序可以使用(多个)推断来执行或影响任何类型的任务或服务。

用于解决机器学习问题的一种常规训练方案包括在集中位置(例如，服务器装置)处从多个计算装置(例如，诸如智能电话的用户装置)收集多个训练样本。然后机器学习模型可以基于所收集的训练样本在集中位置处进行训练。

另外，在某些实例中，训练的模型可以存储在集中位置处。为了从模型接收推断，要求用户计算装置通过网络将输入数据传输到服务器计算装置，等待服务器装置运行机器学习模型以基于所传输的数据产生(多个)推断，并且然后再次通过网络从服务器计算装置接收(多个)推断。

在这样的场景中，要求(多个)训练样本和/或(多个)推断通过网络在用户计算装置和服务器计算装置之间传输。由于通过网络传输的数据可能易于被拦截，因此这种网络传输存在数据安全性风险。另外，这种网络传输增加了网络通信量，这可能导致通信速度降低。此外，与通过网络来回传输数据相关联的时延可能会导致在提供应用程序的服务时出现延迟。

最近，某些应用程序已经包括机器学习模型，该机器学习模型存储在应用程序内并且在用户装置上由应用程序实现。然而，该架构面临实现难和资源密集的二者的挑战。例如，在这种场景中，要求应用程序存储、管理、训练和/或实现一个或多个机器学习模型。在应用程序本身内包含模型和对应的支持服务可能会增加应用程序的数据大小，从而导致更大的内存占用(memory footprint)。

应用程序内的机器学习还可能需要更加频繁的应用程序更新。例如，在底层(underlying)机器学习引擎被更新或在其他方面提升时，可能需要更新应用程序。在下载和安装更新时，应用程序更新可能不合期望地需要使用网络和用户的停机时间。

此外，由于需要在应用程序自身中内置附加的服务，因此应用程序内的机器学习还可能使应用程序开发复杂化。因此，开发者可能需要学习并且与时俱进地了解不同机器学习引擎的复杂性。

发明内容

本公开的实施例的方面和优点将在以下描述中部分地阐述，或者可以从描述中获悉，或者可以通过实施例的实践而获悉。