问题标签 [federated-learning]

我正在尝试遵循有关联邦学习 TensorFlow 的本教程，并且在执行此行时出现错误：

错误：

在此处输入图像描述

这是我的输出，正如你在训练后加载模型时看到的那样，与训练前的值相比，损失的值仍然相同。我真的很困惑。

这是我的代码，我想使用两个模型（合并后，最终合并），我使用load_modeand model.save。因为我想模仿联邦学习过程。

希望有人能给我一些想法。

我用for循环来控制训练过程，输出的是最后一次迭代...，accuracy和loss的值和第一次迭代差不多

我计划将联邦学习用于我已经开发的用于检测杂草的对象检测算法。在我研究的过程中，我看到了有关图像分类的联合 tensorflow 示例。喜欢下面的链接： https ://www.tensorflow.org/federated/tutorials/federated_learning_for_image_classification

我的问题是我们可以将联邦学习和联邦张量流用于对象检测算法吗？如果是，请您提供一些链接和示例吗？

在联邦学习上下文中，就像本教程所示，全局模型的初始权重（在服务器级别）随机初始化为： state = iterative_process.initialize()。我想通过从另一个模型（load_model()）下载这些初始权重来放置这些初始权重。那么请问我该如何继续，我是TFF的新手。谢谢

我正在开展联合学习以检测不良客户。

联邦学习简介 - 数据被分成不同的客户端，训练在客户端完成，然后每个客户端将结果发送到中央服务器，在中央服务器完成客户端权重的聚合，然后再次将聚合模型发送到本地客户端训练。

我正在检测客户端向中央服务器发送恶意更新。我正在使用这里的基本代码。

我编写了一个方法过滤器客户端，它将检测某个客户端是否是恶意的，并将该客户端从聚合步骤中删除。我预计如果从全局聚合中删除客户端权重之一，则性能不会有太大差异，但结果让我感到困惑。我添加了这段代码。noise_client[itr] != 0 只会出现在 1/10 的客户端上，并且在每次迭代中都会出现在同一个客户端上。

如果不使用此代码，则每次迭代的准确性都会稳步提高

但是当使用代码时，前几次迭代的准确度会增加，之后每次迭代都会降低

我尝试将学习率从 0.01 降低到 0.001，并且还减小了批量大小，但之后看到了相同的行为。这可能是什么原因以及如何纠正？

我是联邦学习的新手，我尝试实现 FL 的代码进行图像分类，但我无法理解这一行：state = iterative_process.initialize() ，权重从哪里影响到服务器？

我实现了图像分类的 TFF 代码。TFF 版本 0.18.0，我这样写：

但我发现这个警告：

那么请问我该如何避免这个警告。谢谢

我们对研究联邦学习非常感兴趣。我们拥有许多分布式设备（包括可穿戴设备），并与拥有有用数据的客户建立了合作伙伴关系。当然，还有所有常见的隐私/居住问题。

但是已经提出的一个问题是，如果我们想要获得批准使用经过联邦学习训练的 ML 的应用程序，并且 FDA 希望看到我们用来训练系统的数据，或者至少有一个清晰的画面，我们该怎么做训练前如何处理训练数据。

其他人看过这个吗？在这方面是否有最佳实践。（我知道 - FL 基本上是一个新生婴儿，但可以希望......）

感谢您对此的任何想法。

我正在通过 PyTorch实现联合深度 Q 学习，使用多个代理，每个代理都运行 DQN。我的问题是，当我为代理使用多个重放缓冲区时，每个代理都在相应的代理处附加经验，每个代理重放缓冲区中的两个经验元素，即“current_state”和“next_state”在第一个时间槽后变得相同。我的意思是在每个缓冲区中，我们看到当前状态的相同值和下一个状态的相同值。我在下面包含了代码和结果的简化部分。为什么在追加时会改变缓冲区中已经存在的当前状态和下一个状态？将缓冲区定义为全局变量有什么问题吗？还是你有别的想法？

我在 Windows 上，但即使在 google Collab 中我也无法导入它。我确实有适当的互联网。