Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Pembelajaran Bersekutu

Gunakan kemas kini model bersekutu, purata wajaran dan pengagregatan selamat, termasuk sebab menyimpan rekod mentah setempat bukan jaminan privasi yang lengkap.

Laluan panduan yang berkaitanPembelajaran Bersekutu
soalan 1 daripada 8

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

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. How does federated learning train a shared model without centralizing user data?
    • Latih satu model dengan memuat naik data mentah semua orang ke pelayan pusat
    • Gunakan hanya data sintetik dan jangan sekali-kali menggunakan data sebenar
    • Latih model kongsi dengan menghantar kemas kini model dan bukannya data mentah kepada pelayan
    • Jalankan model yang berasingan dan tidak berkaitan pada setiap peranti selama-lamanya
  2. Apakah yang dilakukan oleh algoritma Federated Averaging (FedAvg) pada pelayan?
    • Memadam semua model pelanggan
    • Purata kemas kini berat daripada pelanggan, biasanya ditimbang mengikut jumlah data
    • Menghantar semula data mentah kepada pelanggan
    • Melatih model sepenuhnya dengan sendirinya
  3. Produk manakah yang terkenal menggunakan pembelajaran bersekutu untuk meningkatkan ramalan?
    • Penapis e-mel spam pusat
    • Satelit cuaca
    • Konsol permainan video
    • Papan kekunci 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 kemas kini model sahaja tidak peribadi sepenuhnya secara automatik?
    • Kemas kini sentiasa bunyi rawak
    • Kemas kini masih boleh membocorkan maklumat tentang data asas
    • Kemas kini mengandungi data mentah yang tidak berubah
    • Kemas kini tidak boleh dihantar melalui rangkaian
  6. Apakah masalah yang disebabkan oleh data 'bukan IID' dalam pembelajaran bersekutu?
    • Semua peranti mempunyai data yang sama, jadi tiada apa yang dipelajari
    • Pelayan kehabisan memori serta-merta
    • Model hanya boleh mempelajari imej
    • Pengagihan data peserta banyak berbeza, menjadikan purata lebih sukar
  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