该设备还可以提供关于机器学习模型的日志或其他

layexag138m

联合服务器可以从许多设备接收许多这样的更新，并对更新进行总计以生成更新的全局模型。然后可以将更新后的全局模型重新发送到设备。

更新，开发人员可以使用这些日志或其他更新（例如，与工具包结合）来获得机器学习指标的详细分析。可以基于日志计算的示例度量包括绘图、图表、签入请求结果的可视化、流量（例如，流量）、损失和准确性模型度量、阶段持续时间或其他度量。个性化和联合机器学习数据流示例该专利描述了三种不同的学习数据流，在某些情况下，它们可以以互补的方式使用。

在第一个数据流中，训练数据在用户设备上生成。训练数据上传到中央 卡塔尔电话号码数据 机构，然后中央机构根据上传的数据训练或重新训练机器学习模型。该模型转到用户设备以供使用（例如，设备上推理）。

在可称为个性化或个性化学习的第二数据流中，在用户设备上创建的训练数据用于训练或重新训练设备上的模型。然后，这样的设备使用重新训练的模型。这种个性化学习使每个设备的模型无需集中数据收集即可熟悉和评估，从而增强数据安全性和用户隐私。




在可称为联合学习的第三个数据流中，在用户设备上创建的训练数据用于训练或重新训练设备上的模型。因此，实际的用户特定训练数据不会上传到云端，从而增强了数据安全性和用户隐私。

在这种设备上学习之后，用户设备可以向中央机构提供更新。例如，更新可以描述重新训练的模型的参数或者在模型的重新训练期间发生的模型参数的改变。

中央机构可以从许多设备接收许多这样的更新并添加更新以生成更新的全局模型。然后可以将更新后的全局模型重新发送到用户设备。该方案使得跨设备模型能够在不集中数据收集的情况下得到训练和评估。