Translation not up to date
The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.
Last updated: 06 lip 2023
Są to dostępne modele modelu uczenia maszynowego i metody syntezy termojądrowej dla modelu uczenia się federacyjnego. Specyfikacja i środowiska oprogramowania są również kompatybilne z konkretnymi wersjami Python .
Ramy i metody syntezy jądrowej
Ta tabela zawiera listę obsługiwanych środowisk programowych na potrzeby budowania modeli uczenia się federacyjnego. Dla każdego środowiska można wyświetlić obsługiwane typy modeli, metody syntezy oraz opcje nadparametryczne.
| Ramy | Typ modelu | Metoda Fusion | Opis | Hiperparametry |
|---|---|---|---|---|
| TensorFlow Służy do budowania sieci neuronowych. Patrz sekcja Składowanie modelu Tensorflow. |
Dowolne | Średnia średnia | Najprostsza agregacja, która jest używana jako linia bazowa, w której aktualizacje modelu wszystkich podmiotów są jednakowo ważone. | -Rundy -predykat zakończenia (opcjonalnie) -kworum (opcjonalne) -maksymalny limit czasu (opcjonalny) |
| Średnia ważona | Wagi średniej aktualizacji na podstawie liczby każdej próbki podmiotu. Zastosowanie w zestawach danych treningowych o bardzo różnych rozmiarach. | -Rundy -predykat zakończenia (opcjonalnie) -kworum (opcjonalne) -maksymalny limit czasu (opcjonalny) |
||
| Scikit-learn Służy do analizy danych predykcyjnych. Patrz Save the Scikit-learn model. |
Danych | Średnia średnia | Najprostsza agregacja, która jest używana jako linia bazowa, w której aktualizacje modelu wszystkich podmiotów są jednakowo ważone. | -Rundy -predykat zakończenia (opcjonalnie) |
| Średnia ważona | Wagi średniej aktualizacji na podstawie liczby każdej próbki podmiotu. Zastosowanie w zestawach danych treningowych o bardzo różnych rozmiarach. | -Rundy -predykat zakończenia (opcjonalnie) |
||
| Regresja | Średnia średnia | Najprostsza agregacja, która jest używana jako linia bazowa, w której aktualizacje modelu wszystkich podmiotów są jednakowo ważone. |
|
|
| Średnia ważona | Wagi średniej aktualizacji na podstawie liczby każdej próbki podmiotu. Zastosowanie w zestawach danych treningowych o bardzo różnych rozmiarach. |
|
||
| XGBoost | Klasyfikacja XGBoost | Służy do budowania modeli klasyfikacji, które używają XGBoost. | -Szybkość uczenia się -Strata -Obchody -Liczba klas |
|
| Regresja XGBoost | Służy do budowania modeli regresji, które używają XGBoost. | -Szybkość uczenia -Obchody -Strata |
||
| K-Means/SPAHM | Służy do uczenia modeli KMeans (nienadzorowanego uczenia się), gdy podmioty mają heterogeniczne zestawy danych. | -Max Iter -Klaster N |
||
| Pytorch Używane do uczenia modeli sieci neuronowych. Patrz Zapisz model Pytorch. |
Dowolne | Średnia średnia | Najprostsza agregacja, która jest używana jako linia bazowa, w której aktualizacje modelu wszystkich podmiotów są jednakowo ważone. | -Rundy -Epochs -Kworum (opcjonalne) -Maks. limit czasu (opcjonalnie) |
| Sieci neuronowe | Probabilistyczne stowarzyszone dopasowanie neuronowe (PFNM) | Metoda efektywna komunikacji dla w pełni połączonych sieci neuronowych, gdy strony mają heterogeniczne zestawy danych. | -Rundy -Dokładność zakończenia (opcjonalnie) -Epochs -sigma - sigma0 -gamma -iters |
Specyfikacje oprogramowania i środowisko Python w środowisku
Ta tabela zawiera listę wersji specyfikacji oprogramowania i wersji Python dostępnych dla każdej struktury.
| Środowiska Watson Studio | Wersja środowiska Python | Specyfikacja oprogramowania | Python Dodatki klienta | Pakiet ramowy |
|---|---|---|---|---|
| scikit-naucz się | 3.10 | runtime-22.2-py3.10 | fl-rt22.2-py3.10 | scikit-learn 1.1.1 |
| Tensorflow | 3.10 | runtime-22.2-py3.10 | fl-rt22.2-py3.10 | tensorflow 2.9.2 |
| PyTorch | 3.10 | runtime-22.2-py3.10 | fl-rt22.2-py3.10 | torch 1.12.1 |
Więcej inform.
Temat nadrzędny: IBM Federated Learning