Викторина, связанная с руководством · Средний Уровень

Викторина по федеративному обучению

Применяйте обновления федеративных моделей, взвешенное усреднение и безопасное агрегирование, а также поясните, почему хранение необработанных записей локально не является полной гарантией конфиденциальности.

Связанные направляющие путиФедеративное обучение
Вопрос 1 из 8

Как федеративное обучение обучает общую модель без централизации пользовательских данных?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как федеративное обучение обучает общую модель без централизации пользовательских данных?
    • Обучите одну модель, загрузив все необработанные данные на центральный сервер.
    • Используйте только синтетические данные и никогда не используйте реальные данные.
    • Обучайте общую модель, отправляя на сервер обновления модели вместо необработанных данных.
    • Всегда запускайте отдельную несвязанную модель на каждом устройстве.
  2. Что делает на сервере алгоритм федеративного усреднения (FedAvg)?
    • Удаляет все клиентские модели
    • Усредняет обновления веса от клиентов, обычно взвешенные по объему данных.
    • Отправляет необработанные данные обратно клиентам
    • Обучает модель полностью самостоятельно
  3. Какой продукт, как известно, использовал федеративное обучение для улучшения прогнозов?
    • Центральный фильтр спама электронной почты
    • Метеорологический спутник
    • Игровая консоль
    • Клавиатура 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. Почему сами по себе обновления моделей не являются автоматически полностью конфиденциальными?
    • Обновления — это всегда случайный шум
    • Обновления по-прежнему могут вызывать утечку информации об основных данных.
    • Обновления содержат необработанные данные без изменений.
    • Обновления не могут быть отправлены по сети.
  6. Какую проблему создают данные, не относящиеся к IID, при федеративном обучении?
    • Все устройства имеют идентичные данные, поэтому ничего не запоминается
    • На сервере мгновенно заканчивается память
    • Модель может изучать только изображения
    • Распределение данных участников сильно различается, что затрудняет усреднение.
  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