Cuestionario vinculado a una guía · Medio Nivel

Prueba de aprendizaje federado

Aplique actualizaciones de modelos federados, promedios ponderados y agregación segura, incluido el motivo por el cual mantener registros locales sin procesar no es una garantía de privacidad completa.

Rutas de guía relacionadasAprendizaje federado
Pregunta 1 de 8

How does federated learning train a shared model without centralizing user data?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. How does federated learning train a shared model without centralizing user data?
    • Entrene un modelo cargando los datos sin procesar de todos en un servidor central
    • Utilice sólo datos sintéticos y nunca datos reales.
    • Entrene un modelo compartido enviando actualizaciones del modelo en lugar de datos sin procesar a un servidor
    • Ejecute un modelo independiente y no relacionado en cada dispositivo para siempre
  2. ¿Qué hace el algoritmo de promedio federado (FedAvg) en el servidor?
    • Elimina todos los modelos de clientes.
    • Promedia las actualizaciones de peso de los clientes, generalmente ponderadas por la cantidad de datos.
    • Envía datos sin procesar a los clientes.
    • Entrena el modelo completamente por sí mismo.
  3. ¿Qué producto utilizó el aprendizaje federado para mejorar las predicciones?
    • Un filtro central de correo electrónico no deseado
    • Un satélite meteorológico
    • Una consola de videojuegos
    • Teclado Gboard de 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. ¿Por qué las actualizaciones de modelos por sí solas no son completamente privadas de forma automática?
    • Las actualizaciones son siempre ruido aleatorio.
    • Las actualizaciones aún pueden filtrar información sobre los datos subyacentes
    • Las actualizaciones contienen los datos sin procesar sin cambios.
    • Las actualizaciones no se pueden enviar a través de redes.
  6. ¿Qué problema causan los datos 'no IID' en el aprendizaje federado?
    • Todos los dispositivos tienen datos idénticos, por lo que no se aprende nada
    • El servidor se queda sin memoria al instante
    • El modelo solo puede aprender imágenes.
    • Las distribuciones de datos de los participantes difieren mucho, lo que dificulta el promedio
  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