1.用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：所述的方法主要通過應用框架來實現(xiàn)，所述應用框架包括
2.根據(jù)權利要求1所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：所述本地控制閉環(huán)收集的監(jiān)控數(shù)據(jù)用于對切片n(n＝1，···n)構建本地數(shù)據(jù)集，所述本地數(shù)據(jù)集包括：平均物理資源塊、平均數(shù)據(jù)發(fā)送時延、表征信道質量的snr值，用公式表示為：
3.根據(jù)權利要求1所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：還包括
4.根據(jù)權利要求3所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：在閉環(huán)方式迭代運行的第t輪，將聯(lián)邦學習框架中本地閉環(huán)優(yōu)化后的權重發(fā)送到聚合云服務器，聚合云服務器為切片n生成全局聯(lián)邦學習模型，如下述公式所示：
5.根據(jù)權利要求3所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：所述本地聯(lián)邦學習本地模型信息包括本地聯(lián)邦學習本地模型參數(shù)或者本地聯(lián)邦學習本地模型更新參數(shù)，所述模型測試器在收到更新的模型圖后，所述模型測試器從本地數(shù)據(jù)集中提取的數(shù)據(jù)子集來重建測試預測所有模型圖、測試特征和相應的預測特征都將提供給解釋器。
6.根據(jù)權利要求1所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：所述對數(shù)幾率分值的計算公式為：
7.根據(jù)權利要求1所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：所述召回分數(shù)ρk,n的計算公式為：
8.根據(jù)權利要求4所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：對召回分數(shù)施加了下限αn，對對數(shù)幾率分數(shù)設置了上限βn，約束條件優(yōu)化轉化為在由迭代周期指定以及在聯(lián)邦學習的輪次t,(t＝0,…,t-1)中解決受約束的局部分類問題，即
9.根據(jù)權利要求8所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：構造兩個拉格朗日方程框架來解決上述受約束的局部分類問題，公式如下：
10.根據(jù)權利要求9所述的用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，其特征在于：所述約束條件優(yōu)化是一個非零和的雙玩家游戲策略，局部約束條件優(yōu)化通過以下公式計算：