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.
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.
- 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
- 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
- Melyik termék használta híresen összevont tanulást az előrejelzések javítására?
- Központi spam szűrő
- Időjárási műhold
- Videojáték-konzol
- Google Gboard billentyűzete
- 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
- 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
- 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
- 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
- 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