Quiz połączony z przewodnikiem · Średni Poziom

Federalny quiz edukacyjny

Stosuj aktualizacje modeli stowarzyszonych, uśrednianie ważone i bezpieczną agregację, m.in. wyjaśniając, dlaczego przechowywanie surowych danych lokalnie nie gwarantuje pełnej gwarancji prywatności.

Powiązane ścieżki prowadząceSfederowane uczenie się
Pytanie 1 z 8

W jaki sposób stowarzyszone uczenie się szkoli wspólny model bez centralizacji danych użytkownika?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. W jaki sposób stowarzyszone uczenie się szkoli wspólny model bez centralizacji danych użytkownika?
    • Wytrenuj jeden model, przesyłając surowe dane wszystkich osób na centralny serwer
    • Używaj wyłącznie danych syntetycznych, nigdy prawdziwych
    • Trenuj udostępniony model, wysyłając aktualizacje modelu zamiast nieprzetworzonych danych na serwer
    • Uruchom na każdym urządzeniu oddzielny, niepowiązany model na zawsze
  2. Co robi algorytm Federated Averaging (FedAvg) na serwerze?
    • Usuwa wszystkie modele klientów
    • Uśrednia aktualizacje wagi od klientów, zwykle ważone według ilości danych
    • Wysyła surowe dane z powrotem do klientów
    • Uczy model całkowicie samodzielnie
  3. Który produkt słynął z wykorzystania stowarzyszonego uczenia się do poprawy prognoz?
    • Centralny filtr spamu
    • Satelita pogodowy
    • Konsola do gier wideo
    • Klawiatura 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. Dlaczego same aktualizacje modelu nie są automatycznie w pełni prywatne?
    • Aktualizacje to zawsze losowy szum
    • Aktualizacje mogą nadal powodować wyciek informacji o danych źródłowych
    • Aktualizacje zawierają surowe dane bez zmian
    • Aktualizacji nie można przesyłać przez sieci
  6. Jaki problem powodują dane „inne niż IID” w uczeniu stowarzyszonym?
    • Wszystkie urządzenia mają identyczne dane, więc nic się nie nauczy
    • Serwerowi natychmiast brakuje pamięci
    • Model może uczyć się jedynie obrazów
    • Rozkłady danych uczestników znacznie się od siebie różnią, co utrudnia uśrednianie
  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