Infraestructuras, métodos de fusión y versiones de Python

Volver a la versión inglesa de la documentación

Última actualización: 21 nov 2024

Infraestructuras, métodos de fusión y versiones de Python

Estos son los marcos de modelo de aprendizaje automático disponibles y los métodos de fusión de modelos para el modelo de aprendizaje federado. La especificación de software y las infraestructuras también son compatibles con versiones de Python específicas.

Marcos y métodos de fusión

Esta tabla lista las infraestructuras de software soportadas para crear modelos de aprendizaje federado. Para cada infraestructura puede ver los tipos de modelo soportados, los métodos de fusión y las opciones de hiperparámetro.

Tabla 1. Marcos y métodos de fusión
Infraestructuras	Tipo de modelo	Método de fusión	Descripción	Hiperparámetros
TensorFlow Se utiliza para crear redes neuronales. Consulte Guardar el modelo Tensorflow.	Cualquiera	Promedio simple	La agregación más simple que se utiliza como línea base, en la que las actualizaciones de modelos de todas las partes se ponderan equitativamente.	-Rondas -Predicado de terminación (Opcional) -Quórum (Opcional) -Tiempo de espera máximo (Opcional)
		Promedio ponderado	Pondera el promedio de las actualizaciones basándose en el número de la muestra de cada parte. Utilícelo con conjuntos de datos de entrenamiento de tamaños muy diferentes.	-Rondas -Predicado de terminación (Opcional) -Quórum (Opcional) -Tiempo de espera máximo (Opcional)
Scikit-aprender Se utiliza para el análisis de datos predictivos. Consulte Guardar el modelo Scikit-aprender.	Clasificación	Promedio simple	La agregación más simple que se utiliza como línea base, en la que las actualizaciones de modelos de todas las partes se ponderan equitativamente.	-Rounds -Predicado de terminación (Opcional)
		Promedio ponderado	Pondera el promedio de las actualizaciones basándose en el número de la muestra de cada parte. Utilícelo con conjuntos de datos de entrenamiento de tamaños muy diferentes.	-Rounds -Predicado de terminación (Opcional)
	Regresión	Promedio simple	La agregación más simple que se utiliza como línea base, en la que las actualizaciones de modelos de todas las partes se ponderan equitativamente.	Rondas
		Promedio ponderado	Pondera el promedio de las actualizaciones basándose en el número de la muestra de cada parte. Utilícelo con conjuntos de datos de entrenamiento de tamaños muy diferentes.	Rondas
	XGBoost	Clasificación de XGBoost	Utilícelo para crear modelos de clasificación que utilicen XGBoost.	- Tasa de aprendizaje - Pérdida - Rondas - Número de clases
		Regresión XGBoost	Utilícelo para crear modelos de regresión que utilicen XGBoost.	- Tasa de aprendizaje - Rondas - Pérdida
		K-Means/SPAHM	Se utiliza para entrenar modelos de KMeans (aprendizaje no supervisado) cuando las partes tienen conjuntos de datos heterogéneos.	-Max Iter -N clúster
Piplete Se utiliza para entrenar modelos de red neuronal. Consulte Guardar el modelo de Pysoplete.	Cualquiera	Promedio simple	La agregación más simple que se utiliza como línea base, en la que las actualizaciones de modelos de todas las partes se ponderan equitativamente.	- Rondas - Epochs - Quorum (Opcional) - Tiempo máximo de espera (Opcional)
	Redes neuronales	Coincidencia neuronal federada probabilística (PFNM)	Método de comunicación eficiente para redes neuronales totalmente conectadas cuando las partes tienen conjuntos de datos heterogéneos.	- Rondas - Precisión de terminación (Opcional) - Epochs - sigma - sigma0 - gamma - iteraciones

Especificaciones de software y versión Python por infraestructura

Esta tabla lista las especificaciones de software y las versiones de Python disponibles para cada infraestructura.

Especificaciones de software y versión Python por infraestructura
marcos de trabajo de watsonx.ai Studio	Versión de Python	Especificación de software	Python Client Extras	Paquete marco
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	antorcha 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	antorcha 2.0.1

Más información

Definiciones de hiperparámetros

Tema principal: IBM Aprendizaje federado