Kuis terkait panduan · Sedang Tingkat

Kuis Pembelajaran Federasi

Terapkan pembaruan model gabungan, rata-rata tertimbang, dan agregasi aman, termasuk alasan menyimpan catatan mentah secara lokal bukanlah jaminan privasi yang lengkap.

Jalur panduan terkaitPembelajaran Federasi
Pertanyaan 1 dari 8

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

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. How does federated learning train a shared model without centralizing user data?
    • Latih satu model dengan mengunggah data mentah semua orang ke server pusat
    • Gunakan hanya data sintetis dan jangan pernah gunakan data nyata
    • Latih model bersama dengan mengirimkan pembaruan model, bukan data mentah, ke server
    • Jalankan model terpisah dan tidak terkait di setiap perangkat selamanya
  2. Apa yang dilakukan algoritma Federated Averaging (FedAvg) di server?
    • Menghapus semua model klien
    • Rata-rata pembaruan bobot dari klien, biasanya diberi bobot berdasarkan jumlah data
    • Mengirim data mentah kembali ke klien
    • Melatih model sepenuhnya dengan sendirinya
  3. Produk mana yang terkenal menggunakan pembelajaran gabungan untuk meningkatkan prediksi?
    • Filter email spam terpusat
    • Satelit cuaca
    • Konsol permainan video
    • Papan ketik Gboard 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. Mengapa pembaruan model saja tidak otomatis sepenuhnya bersifat pribadi?
    • Pembaruan selalu berupa suara acak
    • Pembaruan masih dapat membocorkan informasi tentang data yang mendasarinya
    • Pembaruan berisi data mentah yang tidak berubah
    • Pembaruan tidak dapat dikirim melalui jaringan
  6. Masalah apa yang disebabkan oleh data 'non-IID' dalam pembelajaran gabungan?
    • Semua perangkat memiliki data yang identik, jadi tidak ada yang dipelajari
    • Server langsung kehabisan memori
    • Model hanya dapat mempelajari gambar
    • Distribusi data peserta sangat berbeda, sehingga membuat rata-rata menjadi lebih sulit
  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