Тест, свързан с ръководство · Среден Ниво

Тест за федеративно обучение

Прилагайте актуализации на обединени модели, претеглено осредняване и сигурно агрегиране, включително защо поддържането на необработени записи локално не е пълна гаранция за поверителност.

Свързани ръководни пътекиФедерирано обучение
Въпрос 1 на 8

Как обединеното обучение обучава споделен модел без централизиране на потребителски данни?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как обединеното обучение обучава споделен модел без централизиране на потребителски данни?
    • Обучете един модел, като качите необработените данни на всички на централен сървър
    • Използвайте само синтетични данни и никога реални данни
    • Обучете споделен модел, като изпратите актуализации на модела вместо необработени данни към сървър
    • Стартирайте отделен, несвързан модел на всяко устройство завинаги
  2. Какво прави алгоритъмът за обединено осредняване (FedAvg) на сървъра?
    • Изтрива всички клиентски модели
    • Осреднява актуализациите на теглото от клиенти, обикновено претеглени по количеството данни
    • Изпраща необработени данни обратно на клиентите
    • Обучава модела изцяло сам
  3. Кой продукт използва известното обединено обучение за подобряване на прогнозите?
    • Централен имейл филтър за спам
    • Метеорологичен сателит
    • Конзола за видеоигри
    • Gboard клавиатурата на Google
  4. Why might a hospital collaboration investigate federated training?
    • It can train through local computations without centrally pooling patient records
    • It automatically makes all sharing legally compliant
    • It removes every risk of revealing patient information
    • It requires no evaluation of the resulting model
  5. Защо само актуализациите на модела не са автоматично напълно частни?
    • Актуализациите винаги са случаен шум
    • Актуализациите все още могат да изтекат информация за основните данни
    • Актуализациите съдържат необработените данни непроменени
    • Актуализациите не могат да се изпращат по мрежи
  6. Какъв проблем причиняват данните „не-IID“ във федеративното обучение?
    • Всички устройства имат идентични данни, така че нищо не се научава
    • Сървърът незабавно изчерпва паметта си
    • Моделът може да научи само изображения
    • Разпределението на данните на участниците се различава много, което прави осредняването по-трудно
  7. Two FedAvg clients return scalar weights 0 and 10 after using 1 and 3 training examples. What is the data-weighted average?
    • 7.5
    • 5
    • 10
    • 2.5
  8. What does a successful secure-aggregation protocol aim to reveal to the federated server?
    • Every client’s raw training record
    • Only a participant’s device password
    • The aggregate update rather than each participant’s individual value
    • A complete guarantee against all information in the aggregate