Gids-gekoppelde quiz · Middelmatig Niveau

Federatieve leerquiz

Pas federatieve modelupdates, gewogen middeling en veilige aggregatie toe, inclusief waarom het lokaal houden van onbewerkte gegevens geen volledige privacygarantie is.

Gerelateerde gidspadenFederaal leren
Vraag 1 van 8

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

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. How does federated learning train a shared model without centralizing user data?
    • Train één model door ieders onbewerkte gegevens naar een centrale server te uploaden
    • Gebruik alleen synthetische data en nooit echte data
    • Train een gedeeld model door modelupdates in plaats van onbewerkte gegevens naar een server te verzenden
    • Voer voor altijd een afzonderlijk, niet-gerelateerd model uit op elk apparaat
  2. Wat doet het Federated Averaging-algoritme (FedAvg) op de server?
    • Verwijdert alle clientmodellen
    • Berekent het gemiddelde van de gewichtsupdates van clients, meestal gewogen op basis van de gegevenshoeveelheid
    • Stuurt onbewerkte gegevens terug naar klanten
    • Traint het model geheel zelfstandig
  3. Welk product maakte op beroemde wijze gebruik van federatief leren om voorspellingen te verbeteren?
    • Een centraal spam-e-mailfilter
    • Een weersatelliet
    • Een videogameconsole
    • Het Gboard-toetsenbord van 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. Waarom zijn alleen modelupdates niet automatisch volledig privé?
    • Updates zijn altijd willekeurige ruis
    • Updates kunnen nog steeds informatie over de onderliggende gegevens lekken
    • Updates bevatten de onbewerkte gegevens ongewijzigd
    • Updates kunnen niet via netwerken worden verzonden
  6. Welk probleem veroorzaken 'niet-IID'-gegevens bij federatief leren?
    • Alle apparaten hebben identieke gegevens, er wordt dus niets geleerd
    • De server heeft onmiddellijk geen geheugen meer
    • Het model kan alleen afbeeldingen leren
    • De gegevensverdelingen van deelnemers verschillen sterk, waardoor het middelen moeilijker wordt
  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