[發明專利]數據處理方法及裝置、設備、存儲介質

在審

• 申請號: 202111326190.2
• 申請日: 2021-11-10
• 公開（公告）號: CN116112366A
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 孔德群;鮑媛媛
• 申請（專利權）人: 中國移動通信有限公司研究院;中國移動通信集團有限公司
• 主分類號: H04L41/12
• 分類號: H04L41/12;G06N20/00
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 馬麗;張穎玲

本申請公開了數據處理方法及裝置、設備、存儲介質；其中，所述方法包括：確定鄰居設備，接收所述鄰居設備傳輸的第一推理模型的模型參數；確定所述模型參數的融合權重；根據所述融合權重，將所述模型參數與自身的第二推理模型的相應模型參數進行融合，得到融合后的第二推理模型；其中，所述第一推理模型與所述第二推理模型的至少部分結構一致；重新確定鄰居設備，以迭代執行上述步驟，直至達到結束條件，將當前得到的融合后的第二推理模型作為目標推理模型；所述目標推理模型用于對輸入數據執行機器學習任務；如此，能夠通過設備間的模型參數共享，即知識共享，降低機器學習場景中的數據傳輸造成的能量消耗。

技術領域

本申請涉及人工智能技術，涉及但不限于數據處理方法及裝置、設備、存儲介質。

背景技術

隨著通信技術的不斷演進以及物聯網技術的蓬勃發展，物聯網設備的接入數量不斷提高，基于海量物聯網感知及運算設備將會形成多種類、多層次以及多樣化的物聯網服務。在5G移動通信網絡中，物聯網(Internet?of?Things，IoT)節點的接入數目將達到億級，其部署密度將達到每平方千米百萬個。海量節點的接入需求對傳統中心化計算架構提出了挑戰，傳輸能耗成為主要限制瓶頸之一。與此同時，以人工智能為代表的信息處理技術高速發展，智能芯片成本不斷降低，智能服務從云端向端側下沉，促進了以自動駕駛、智慧工業、智慧醫療為代表的AIoT應用場景爆發。而如何在這些應用場景和其他機器學習場景中降低數據傳輸能耗成為待解決的技術問題。

發明內容

有鑒于此，本申請提供的數據處理方法及裝置、設備、存儲介質，能夠通過設備間的模型參數共享，即知識共享，降低機器學習場景中的數據傳輸造成的能量消耗。

根據本申請實施例的一個方面，提供一種數據處理方法，包括：確定鄰居設備，接收所述鄰居設備傳輸的第一推理模型的模型參數；確定所述模型參數的融合權重；根據所述融合權重，將所述模型參數與自身的第二推理模型的相應模型參數進行融合，得到融合后的第二推理模型；其中，所述第一推理模型與所述第二推理模型的至少部分結構一致；重新確定鄰居設備，以迭代執行上述步驟，直至達到結束條件，將當前得到的融合后的第二推理模型作為目標推理模型；所述目標推理模型用于對輸入數據執行機器學習任務。

如此，由于獲取的是鄰居設備的第一推理模型的模型參數，而不是鄰居設備的樣本數據集，因此能夠降低機器學習場景中的數據傳輸能耗，通過模型參數的融合，得到電子設備的目標推理模型。

本申請實施例提供的數據處理裝置，包括：確定單元，用于確定鄰居設備；

接收單元，用于接收所述鄰居設備傳輸的第一推理模型的模型參數；所述確定單元，還用于確定所述模型參數的融合權重；融合單元，用于根據所述融合權重，將所述模型參數與自身的第二推理模型的相應模型參數進行融合，得到融合后的第二推理模型；其中，所述第一推理模型與所述第二推理模型的至少部分結構一致；迭代單元，用于觸發所述確定單元重新確定鄰居設備，以及觸發所述接收單元和所述融合單元迭代執行對應步驟，直至達到結束條件，將當前得到的融合后的第二推理模型作為目標推理模型；所述目標推理模型用于對輸入數據執行機器學習任務。

本申請實施例提供的電子設備，包括存儲器和處理器，所述存儲器存儲有可在處理器上運行的計算機程序，所述處理器執行所述程序時實現本申請實施例所述的方法。

本申請實施例提供的計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現本申請實施例提供的所述的方法。

應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本申請。

附圖說明

此處的附圖被并入說明書中并構成本說明書的一部分，這些附圖示出了符合本申請的實施例，并與說明書一起用于說明本申請的技術方案。顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。