Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Összevont tanulási kvíz

Apply federated model updates, weighted averaging, and secure aggregation, including why keeping raw records local is not a complete privacy guarantee.

Kapcsolódó útmutató utakÖsszevont tanulás
kérdés 1 -ból 8

Hogyan képez az egyesített tanulás egy megosztott modellt a felhasználói adatok központosítása nélkül?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan képez az egyesített tanulás egy megosztott modellt a felhasználói adatok központosítása nélkül?
    • Tanítson egy modellt úgy, hogy mindenki nyers adatait feltölti egy központi szerverre
    • Csak szintetikus adatokat használjon, és soha ne valós adatokat
    • Tanítson meg egy megosztott modellt úgy, hogy nyers adatok helyett modellfrissítéseket küld a szervernek
    • Futtasson örökre különálló, független modellt minden eszközön
  2. Mit csinál az egyesített átlagoló (FedAvg) algoritmus a szerveren?
    • Törli az összes ügyfélmodellt
    • Átlagolja az ügyfelektől származó súlyfrissítéseket, általában az adatok mennyiségével súlyozva
    • Nyers adatokat küld vissza az ügyfeleknek
    • Teljesen magától képezi a modellt
  3. Melyik termék használta híresen összevont tanulást az előrejelzések javítására?
    • Központi spam szűrő
    • Időjárási műhold
    • Videojáték-konzol
    • Google Gboard billentyűzete
  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. A modellfrissítések önmagukban miért nem teljesen privátok?
    • A frissítések mindig véletlenszerű zajok
    • A frissítések továbbra is információkat szivároghatnak ki az alapul szolgáló adatokról
    • A frissítések a nyers adatokat változatlan formában tartalmazzák
    • A frissítések nem küldhetők hálózaton keresztül
  6. Milyen problémát okoznak a „nem IID” adatok az egyesített tanulásban?
    • Minden eszköz azonos adatokkal rendelkezik, így nem tanulunk semmit
    • A szerver memóriája azonnal elfogy
    • A modell csak képeket tud tanulni
    • A résztvevők adateloszlása nagyon eltérő, ami megnehezíti az átlagolást
  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