연합 학습 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 연합 학습은 사용자 데이터를 중앙 집중화하지 않고 어떻게 공유 모델을 교육합니까?
   • 모든 사람의 원시 데이터를 중앙 서버에 업로드하여 하나의 모델을 교육합니다.
   • 합성 데이터만 사용하고 실제 데이터는 사용하지 않음
   • 원시 데이터 대신 모델 업데이트를 서버에 전송하여 공유 모델을 교육합니다.
   • 각 장치에서 서로 관련되지 않은 별도의 모델을 영원히 실행합니다.
2. Federated Averaging(FedAvg) 알고리즘은 서버에서 어떤 작업을 수행합니까?
   • 모든 클라이언트 모델을 삭제합니다.
   • 일반적으로 데이터 양에 따라 가중치가 부여되는 클라이언트의 가중치 업데이트 평균을 계산합니다.
   • 원시 데이터를 클라이언트에게 다시 보냅니다.
   • 모델을 완전히 자체적으로 학습합니다.
3. 예측을 개선하기 위해 연합 학습을 사용한 것으로 유명한 제품은 무엇인가요?
   • 중앙 스팸 이메일 필터
   • 기상 위성
   • 비디오 게임 콘솔
   • Google의 Gboard 키보드
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. 모델 업데이트만으로는 자동으로 완전 비공개가 아닌 이유는 무엇인가요?
   • 업데이트는 항상 무작위 소음입니다.
   • 업데이트로 인해 기본 데이터에 대한 정보가 유출될 수 있습니다.
   • 업데이트에는 변경되지 않은 원시 데이터가 포함됩니다.
   • 네트워크를 통해 업데이트를 보낼 수 없습니다.
6. 연합학습에서 '비 IID' 데이터는 어떤 문제를 야기하나요?
   • 모든 장치에는 동일한 데이터가 있으므로 아무것도 학습되지 않습니다.
   • 서버의 메모리가 즉시 부족해집니다.
   • 모델은 이미지만 학습할 수 있습니다.
   • 참가자의 데이터 분포가 많이 다르기 때문에 평균화가 더 어려워집니다.
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