Вікторина, пов’язана з посібником · Середній Рівень

Вікторина з інтегрованого навчання

Застосовуйте об’єднані оновлення моделі, зважене усереднення та безпечне агрегування, зокрема, чому збереження необроблених записів на локальному рівні не є повною гарантією конфіденційності.

Пов'язані напрямні шляхиФедеративне навчання
Питання 1 з 8

Як інтегроване навчання тренує спільну модель без централізації даних користувачів?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Як інтегроване навчання тренує спільну модель без централізації даних користувачів?
    • Навчіть одну модель, завантаживши необроблені дані кожного на центральний сервер
    • Використовуйте лише синтетичні дані, а не справжні
    • Навчіть спільну модель, надсилаючи оновлення моделі замість вихідних даних на сервер
    • Назавжди запускайте окрему, непов’язану модель на кожному пристрої
  2. Що робить алгоритм інтегрованого усереднення (FedAvg) на сервері?
    • Видаляє всі клієнтські моделі
    • Усереднює вагу оновлень від клієнтів, зазвичай зважених за кількістю даних
    • Надсилає необроблені дані назад клієнтам
    • Тренує модель повністю самостійно
  3. У якому продукті для покращення прогнозів використовувалося федеративне навчання?
    • Центральний фільтр спаму електронної пошти
    • Метеорологічний супутник
    • Консоль для відеоігор
    • Клавіатура 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. Чому оновлення моделі не є автоматично повністю приватними?
    • Оновлення – це завжди випадковий шум
    • Оновлення все ще можуть витікати інформацію про основні дані
    • Оновлення містять вихідні дані без змін
    • Оновлення не можна надсилати через мережі
  6. Яку проблему викликають дані «не IID» у федеративному навчанні?
    • Усі пристрої мають ідентичні дані, тому нічого не вивчається
    • На сервері миттєво закінчується пам'ять
    • Модель може вивчати лише зображення
    • Розподіл даних учасників сильно відрізняється, що ускладнює усереднення
  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