[发明专利]具有数据相关可用性的分布式设备上学习的系统和方法

权利要求书

1.一种用于训练机器学习模型的计算机实施的方法，所述方法包括：

由一个或多个计算设备至少部分基于用户设备的时间可用性来获得多个区域；

由一个或多个计算设备选择区域内的多个可用用户设备；

由一个或多个计算设备向所述区域内的多个选定用户设备提供与所述区域相关联的机器学习模型的当前版本；

由一个或多个计算设备从所述多个选定用户设备获得更新的机器学习模型数据，所述更新的机器学习模型数据由所述多个选定用户设备通过使用所述多个选定用户设备中的每一个的本地数据来训练与所述区域相关联的机器学习模型的当前版本而生成；以及

由一个或多个计算设备基于所述更新的机器学习模型数据来生成与所述区域相关联的更新的机器学习模型。

2.根据权利要求1所述的计算机实施的方法，其中由一个或多个计算设备至少部分基于用户设备的时间可用性来获得多个区域还包括至少部分基于以下中的一个或多个来生成多个区域：

时区，

纬度范围，

经度范围，

语义边界，

用户群体，或

昼夜可用性模式。

3.根据权利要求1或权利要求2所述的计算机实施的方法，其中生成每个区域，使得每个区域包括具有相似昼夜循环的用户群体。

4.根据权利要求1至3中任一项所述的计算机实施的方法，还包括由一个或多个计算设备将全局机器学习模型的副本与每个区域相关联，其中基于所述区域中的用户使用联合学习来训练与所述区域相关联的机器学习模型。

5.根据权利要求1至4中任一项所述的计算机实施的方法，还包括：

由一个或多个计算设备向所述区域内的多个选定用户设备提供正则项，其中所述正则项被添加到损失函数中，以用于训练与所述区域相关联的机器学习模型的当前版本，并且其中所述正则项表示在参数空间中测量的、与所述区域相关联的模型距至少一个其他区域的至少一个模型的距离之和。

6.根据权利要求1至5中任一项所述的计算机实施的方法，其中，由一个或多个计算设备基于更新的机器学习模型数据生成与所述区域相关联的更新的机器学习模型还包括由一个或多个计算设备执行多任务学习，以将与所述区域相关联的机器学习模型朝向与至少一个其他区域相关联的至少一个机器学习模型进行偏置。

7.根据权利要求1至6中任一项所述的计算机实施的方法，还包括：

由一个或多个设备计算参数空间中至少一个其他区域的至少一个模型的质心；以及

由一个或多个计算设备将所述质心提供给所述区域内的多个选定用户设备，其中所述多个选定用户设备中的每一个计算在参数空间中测量的、与所述区域相关联的模型距所述质心的距离，所述距离作为被添加到损失函数中以用于训练与所述区域相关联的机器学习模型的当前版本的正则项。

8.一种计算设备，包括：

一个或多个处理器；和

一个或多个存储指令的非暂时性计算机可读介质，当由所述一个或多个处理器执行时，所述指令使得所述计算设备：

至少部分基于用户设备的时间可用性来生成多个区域；

选择区域内的多个可用用户设备；

向所述区域内的多个选定用户设备提供与所述区域相关联的机器学习模型的当前版本，其中所述多个选定用户设备中的每一个使用所述多个选定用户设备中的每一个的本地数据来执行与所述区域相关联的机器学习模型的当前版本的训练；

从所述多个选定用户设备获得更新的机器学习模型数据；以及

基于所述更新的机器学习模型数据来生成与所述区域相关联的更新的机器学习模型。

9.根据权利要求8所述的计算设备，其中至少部分基于用户设备的时间可用性来生成多个区域还包括至少部分基于以下中的一个或多个来生成多个区域：

时区，

纬度范围，

经度范围，

语义边界，

用户群体，或

昼夜可用性模式。