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.

Percorsi guida correlatiApprendimento federato
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.

  1. 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
  2. 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
  3. 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
  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. 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
  6. 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
  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