引导式测验 · 中等 等级
联邦学习测验
应用联合模型更新、加权平均和安全聚合，包括为什么将原始记录保存在本地并不能完全保证隐私。
问题 1 的 8
联邦学习如何在不集中用户数据的情况下训练共享模型？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 联邦学习如何在不集中用户数据的情况下训练共享模型？
- 通过将每个人的原始数据上传到中央服务器来训练一个模型
- 仅使用合成数据，切勿使用真实数据
- 通过向服务器发送模型更新而不是原始数据来训练共享模型
- 永远在每台设备上运行单独的、不相关的模型
- 联合平均 (FedAvg) 算法在服务器上有什么作用？
- 删除所有客户端模型
- 对来自客户端的权重更新进行平均，通常按数据量进行加权
- 将原始数据发送回客户端
- 完全自行训练模型
- 哪个产品以使用联邦学习来改进预测而闻名？
- 中央垃圾邮件过滤器
- 气象卫星
- 视频游戏机
- Google 的 Gboard 键盘
- 为什么医院合作项目可能会研究联邦训练？
- 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
- 为什么仅模型更新不会自动完全私有？
- 更新总是随机噪声
- 更新仍然可能泄漏有关基础数据的信息
- 更新包含未更改的原始数据
- 无法通过网络发送更新
- “非独立同分布”数据在联邦学习中会导致什么问题？
- 所有设备都有相同的数据，因此不会学到任何东西
- 服务器内存立即耗尽
- 该模型只能学习图像
- 参与者的数据分布差异很大，使得平均变得更加困难
- 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
- 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