Κουίζ Ομοσπονδιακής Μάθησης

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. How does federated learning train a shared model without centralizing user data?
   • Εκπαιδεύστε ένα μοντέλο μεταφορτώνοντας τα ακατέργαστα δεδομένα όλων σε έναν κεντρικό διακομιστή
   • Χρησιμοποιήστε μόνο συνθετικά δεδομένα και ποτέ πραγματικά δεδομένα
   • Εκπαιδεύστε ένα κοινόχρηστο μοντέλο στέλνοντας ενημερώσεις μοντέλων αντί για ανεπεξέργαστα δεδομένα σε έναν διακομιστή
   • Εκτελέστε ένα ξεχωριστό, άσχετο μοντέλο σε κάθε συσκευή για πάντα
2. Τι κάνει ο αλγόριθμος Federated Averaging (FedAvg) στον διακομιστή;
   • Διαγράφει όλα τα μοντέλα πελατών
   • Υπολογίζει τους μέσους όρους των ενημερώσεων βάρους από πελάτες, συνήθως σταθμισμένους με βάση το ποσό δεδομένων
   • Στέλνει ακατέργαστα δεδομένα πίσω στους πελάτες
   • Εκπαιδεύει το μοντέλο εντελώς μόνο του
3. Ποιο προϊόν χρησιμοποίησε περίφημα την ομοσπονδιακή μάθηση για τη βελτίωση των προβλέψεων;
   • Ένα κεντρικό φίλτρο spam email
   • Ένας μετεωρολογικός δορυφόρος
   • Μια κονσόλα βιντεοπαιχνιδιών
   • Το πληκτρολόγιο Gboard του 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. Γιατί οι ενημερώσεις μοντέλων από μόνες τους δεν είναι αυτόματα πλήρως ιδιωτικές;
   • Οι ενημερώσεις είναι πάντα τυχαίος θόρυβος
   • Οι ενημερώσεις μπορεί να εξακολουθούν να διαρρέουν πληροφορίες σχετικά με τα υποκείμενα δεδομένα
   • Οι ενημερώσεις περιέχουν τα ακατέργαστα δεδομένα αμετάβλητα
   • Δεν είναι δυνατή η αποστολή ενημερώσεων μέσω δικτύων
6. Τι πρόβλημα προκαλούν τα δεδομένα «non-IID» στην ομοσπονδιακή μάθηση;
   • Όλες οι συσκευές έχουν πανομοιότυπα δεδομένα, επομένως τίποτα δεν μαθαίνεται
   • Η μνήμη του διακομιστή εξαντλείται αμέσως
   • Το μοντέλο μπορεί να μάθει μόνο εικόνες
   • Οι κατανομές δεδομένων των συμμετεχόντων διαφέρουν πολύ, καθιστώντας τον μέσο όρο πιο δύσκολο
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