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
Copy link to section
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.
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
Pondère 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)
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
Pondère 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.
Cycles
Moyenne pondérée
Pondère 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.
Cycles
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.
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.