Retourner à la version anglaise de la documentationCadres, méthodes de fusion et versions Python
Cadres, méthodes de fusion et versions Python
Dernière mise à jour : 21 nov. 2024
Il s'agit des modèles de modèles d'apprentissage machine disponibles et des méthodes de fusion de modèles pour le modèle d'apprentissage fédéré. La spécification logicielle et les cadres sont également compatibles avec des versions Python spécifiques.
Cadres et méthodes de fusion
Ce tableau répertorie les infrastructures logicielles prises en charge pour la génération de modèles d'apprentissage fédéré. Pour chaque infrastructure, vous pouvez voir les types de modèles pris en charge, les méthodes de fusion et les options d'hyperparamètre.
| Infrastructures | Type de modèle | Méthode de fusion | Descriptif | Hyperparamètres |
|---|---|---|---|---|
| TensorFlow Utilisé pour créer des réseaux de neurones. Voir Sauvegarder le modèle Tensorflow. |
Tous | Moyenne simple | L'agrégation la plus simple est utilisée comme ligne de base dans laquelle toutes les mises à jour de modèle de toutes les parties sont également pondérées. | -Rounds -Prédicat de fin (Facultatif) -Quorum (Facultatif) -Max Timeout (Facultatif) |
| Moyenne pondérée | Pondération de la moyenne des mises à jour en fonction du nombre de chaque échantillon de partie. Utilisée avec des jeux de données d'entraînement de tailles très différentes. | -Rounds -Prédicat de fin (Facultatif) -Quorum (Facultatif) -Max Timeout (Facultatif) |
||
| Scikit-apprendre Utilisé pour l'analyse prédictive des données. Voir Enregistrer le modèle Scikit-apprendre. |
Classification | Moyenne simple | L'agrégation la plus simple est utilisée comme ligne de base dans laquelle toutes les mises à jour de modèle de toutes les parties sont également pondérées. | -Rondes -Prédicat d'arrêt (facultatif) |
| Moyenne pondérée | Pondération de la moyenne des mises à jour en fonction du nombre de chaque échantillon de partie. Utilisée avec des jeux de données d'entraînement de tailles très différentes. | -Rondes -Prédicat d'arrêt (facultatif) |
||
| Régression | Moyenne simple | L'agrégation la plus simple est utilisée comme ligne de base dans laquelle toutes les mises à jour de modèle de toutes les parties sont également pondérées. |
|
|
| Moyenne pondérée | Pondération de la moyenne des mises à jour en fonction du nombre de chaque échantillon de partie. Utilisée avec des jeux de données d'entraînement de tailles très différentes. |
|
||
| XGBoost | Classification XGBoost | Permet de générer des modèles de classification qui utilisent XGBoost. | - Taux d'apprentissage - Perte - Roulements - Nombre de classes |
|
| Régression XGBoost | Permet de générer des modèles de régression utilisant XGBoost. | - Taux d'apprentissage - Roulements - Perte |
||
| K moyenne/SPAHM | Utilisée pour entraîner les modèles de type k moyenne (apprentissage non supervisé) lorsque les parties ont des jeux de données hétérogènes. | -Max Iter -N cluster |
||
| Pytorche Utilisé pour la formation des modèles de réseau neuronal. Voir Enregistrer le modèle Pytorche. |
Tous | Moyenne simple | L'agrégation la plus simple est utilisée comme ligne de base dans laquelle toutes les mises à jour de modèle de toutes les parties sont également pondérées. | -Roulements - Epochs - Quorum (Facultatif) - dépassement du délai d'attente maximal (Facultatif) |
| Réseau de neurones | Probabilistic Federated Neural Matching (PFNM) | Méthode efficace de communication pour les réseaux de neurones entièrement connectés lorsque les parties ont des ensembles de données hétérogènes. | -Roulements - Exactitude de l'arrêt (Facultatif) - Epochs - sigma - sigma0 - gamma - iters |
Spécifications logicielles et version Python par infrastructure
Ce tableau répertorie les spécifications logicielles et les versions Python disponibles pour chaque infrastructure.
| watsonx.ai Studio frameworks | Version Python | Spécification logicielle | Extras client Python | Package Framework |
|---|---|---|---|---|
| scikit-learn | 3.11 | runtime-24.1-py3.11 | fl-rt23.1-py3.11 | scikit-learn 1.1.1 |
| Tensorflow | 3.11 | runtime-24.1-py3.11 | fl-rt23.1-py3.11 | tensorflow 2.12.0 |
| PyTorch | 3.11 | runtime-24.1-py3.11 | fl-rt23.1-py3.11 | torche 2.0.1 |
| scikit-learn | 3.10 | runtime-23.1-py3.10 | fl-rt23.1-py3.10 | scikit-learn 1.1.1 |
| Tensorflow | 3.10 | runtime-23.1-py3.10 | fl-rt23.1-py3.10 | tensorflow 2.12.0 |
| PyTorch | 3.10 | runtime-23.1-py3.10 | fl-rt23.1-py3.10 | torche 2.0.1 |
En savoir plus
Définitions de paramètre hypertexte
Rubrique parent: IBM Apprentissage fédéré