Quiz collegato alla guida · Medio Livello
Quiz sull'apprendimento federato
Applicare gli aggiornamenti del modello federato, la media ponderata e l'aggregazione sicura, compreso il motivo per cui mantenere locali i record non elaborati non è una garanzia completa della privacy.
Domanda 1 di 8
How does federated learning train a shared model without centralizing user data?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- How does federated learning train a shared model without centralizing user data?
- Addestra un modello caricando i dati grezzi di tutti su un server centrale
- Utilizzare solo dati sintetici e mai dati reali
- Addestra un modello condiviso inviando aggiornamenti del modello anziché dati grezzi a un server
- Esegui per sempre un modello separato e non correlato su ciascun dispositivo
- Cosa fa l'algoritmo Federated Averaging (FedAvg) sul server?
- Elimina tutti i modelli client
- Calcola la media degli aggiornamenti ponderati provenienti dai clienti, in genere ponderati in base alla quantità di dati
- Invia i dati grezzi ai client
- Addestra il modello completamente da solo
- Quale prodotto utilizza notoriamente l'apprendimento federato per migliorare le previsioni?
- Un filtro e-mail antispam centrale
- Un satellite meteorologico
- Una console per videogiochi
- La tastiera Gboard di Google
- 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
- Perché gli aggiornamenti dei modelli da soli non sono automaticamente completamente privati?
- Gli aggiornamenti sono sempre rumorosi e casuali
- Gli aggiornamenti possono comunque far trapelare informazioni sui dati sottostanti
- Gli aggiornamenti contengono i dati grezzi invariati
- Gli aggiornamenti non possono essere inviati sulle reti
- Quale problema causano i dati "non IID" nell'apprendimento federato?
- Tutti i dispositivi hanno dati identici, quindi non si apprende nulla
- Il server esaurisce immediatamente la memoria
- Il modello può apprendere solo le immagini
- La distribuzione dei dati dei partecipanti differisce molto, rendendo più difficile la media
- 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