Torna alla versione inglese della documentazioneDefinizioni di iperparametri
Definizioni di iperparametri
Ultimo aggiornamento: 04 ott 2024
Definizioni di iperparametri utilizzati nell'addestramento dell'esperimento. È possibile utilizzare una o più di queste opzioni di iperparametri, a seconda del framework e del metodo di fusione.
| Iperparametri | Descrizione |
|---|---|
| Round | Valore int. Il numero di iterazioni di addestramento da completare tra l'aggregatore e i sistemi remoti. |
| Accuratezza terminazione (facoltativo) | Valore mobile. Acquisisce model_accuracy e lo confronta con un valore numerico. Se la condizione è soddisfatta, l'esperimento termina presto. Ad esempio, termination_predicate: accuracy >= 0.8 termina l'esperimento quando la media dell'accuratezza del modello per le parti partecipanti è maggiore o uguale all ' 80%. Attualmente, Federated Learning accetta un tipo di condizione di terminazione anticipata (accuratezza del modello) solo per i modelli di classificazione. |
| Quorum (facoltativo) | Valore mobile. Procede con l'addestramento del modello dopo che l'aggregatore ha raggiunto un determinato rapporto di risposte della parte. Assume un valore decimale compreso tra 0 e 1. Il valore predefinito è 1. L'addestramento del modello inizia solo dopo che le risposte della parte raggiungono il valore del rapporto indicato. Ad esempio, l'impostazione di questo valore su 0.5 avvia l'addestramento dopo che il 50% delle parti registrate ha risposto alla chiamata dell'aggregatore. |
| Timeout massimo (facoltativo) | Valore int. Termina l'esperimento di apprendimento federato se il tempo di attesa per le risposte della parte supera questo valore in secondi. Assume un valore numerico fino a 43200. Se questo valore in secondi viene superato e il rapporto quorum non viene raggiunto, l'esperimento termina. Ad esempio, max_timeout = 1000 termina l'esperimento dopo 1000 secondi se le parti non rispondono in quel momento. |
| Accuratezza dello schizzo rispetto alla privacy (facoltativo) | Valore mobile. Utilizzato con la formazione XGBoost per controllare l'accuratezza relativa dei dati tracciati inviati all'aggregatore. Assume un valore decimale compreso tra 0 e 1. Valori più elevati si tradurranno in modelli di qualità più elevata, ma con una riduzione della privacy dei dati e un aumento del consumo di risorse. |
| Numero di classi | Valore int. Numero di classi di destinazione per il modello di classificazione. Obbligatorio se l'iperparametro "Loss" è: - auto - binary_crossentropy- categorical_crossentropy |
| Tasso di apprendimento | Valore decimale. Il tasso di apprendimento, noto anche come restringimento. Viene utilizzato come fattore moltiplicativo per i valori foglia. |
| Perdita | Valore stringa. La funzione di perdita da utilizzare nel processo di boosting. - binary_crossentropy (noto anche come perdita logistica) viene utilizzato per la classificazione binaria.- categorical_crossentropy viene utilizzato per la classificazione multiclasse. - auto sceglie la funzione di perdita in base alla natura del problema. - least_squares viene utilizzato per la regressione. |
| Iter massimo | Valore int. Il numero totale di passaggi sul dataset di addestramento locale per addestrare un modello Scikit-learn. |
| Cluster N | Valore int. Il numero di cluster da formare e il numero di baricentri da generare. |
| Epoch (facoltativo) | Valore int. Il numero di iterazioni di addestramento locali che devono essere preformate da ogni parte remota per ogni round. Ad esempio, se si imposta Rounds su 2 e Epochs su 5, tutte le parti remote si addestrano localmente 5 volte prima che il modello venga inviato all'aggregatore. Nel secondo round, il modello di aggregatore viene nuovamente addestrato localmente da tutte le parti 5 volte e inviato nuovamente all'aggregatore. |
| sigma | Valore mobile. Determina fino a che punto i neuroni dei modelli locali sono consentiti dal modello globale. Un valore maggiore consente una maggiore corrispondenza e produce un modello globale più piccolo. Il valore predefinito è 1. |
| sigma0 | Valore mobile. Definisce la deviazione consentita dei neuroni della rete globale. Il valore predefinito è 1. |
| gamma | Valore mobile. Parametro Indian Buffet Process che controlla il numero previsto di funzioni in ogni osservazione. Il valore predefinito è 1. |
Argomento principale: Framework, metodi fusion e versioni Python