可信智能计算服务 TICS
可信智能计算服务 TICS
- 最新动态
- 功能总览
- 产品介绍
- 快速入门
- 用户指南
- 最佳实践
- 开发指南
- API参考
-
常见问题
- 什么是区域和可用区？
- 什么是项目？
- 什么是配额？
- 一个CCE集群可以为同一用户的多个空间使用吗?
- 节点的可用资源如何查询？
- 合作方如何获取租户名称？
- 计算节点如何切换状态？
- 部署计算节点时，“状态”列长时间显示为“部署中”（超过20分钟），如何查看计算节点部署情况？
- 运行作业前，提示“Privacy rule verification failed”，怎么处理？
- 运行作业时，提示存在数据泄露风险，怎么处理？
- 为什么空间详情中“作业执行统计”实例数与空间作业中实例数统计不一致？
- 执行分析作业时，提示“节点内存不足，已拒绝在节点中运行该任务”，如何解决？
- 为什么我的计算结果每次计算时结果都不一样？
- 执行作业时，提示“启动新任务失败，服务器任务队列超出缓存长度”，如何解决？
- 联邦sql分析作业运行过慢，如何提升执行速度？
- 可信计算节点发生主备切换，原节点登录地址不可用，如何处理？
- 如何创建及查找sfs_turbo文件系统的ID？
- 如何确认在跨VPC的情况下计算节点与SFS_Turbo文件系统连通性
- 如何排查可信环境互信状态
- 边缘节点部署模式下创建节点，该如何配置资源分配策略？
- 创建数据集时，不允许使用哪些名字？
- 如何更换计算节点db私钥？
- 如何修改结果文件的权限？
- 执行联邦学习作业时，报“ERROR UNAVAILABLE：Network closed for unknown reason”，如何解决？
- 文档下载
- 通用参考
本文导读
展开导读
链接复制成功！
乳腺癌数据集作业结果
本节实验包含了如下三个部分：（1）训练轮数对联邦学习模型分类性能的影响；（2）迭代次数对联邦学习模型分类性能的影响；（3）参与方数据量不同时，本地独立训练对比横向联邦的模型性能。
|
训练轮数 |
1 |
10 |
20 |
|---|---|---|---|
|
测试集准确率 (%) |
98.016 |
98.016 |
98.016 |
|
测试集AUC |
0.996 |
0.996 |
0.996 |
|
训练时长 (秒) |
19 |
173 |
372 |
迭代轮数对模型准确率、训练时长的影响（训练轮数固定为10）
|
迭代次数 |
10 |
25 |
50 |
|---|---|---|---|
|
测试集准确率 (%) |
97.065 |
98.140 |
98.415 |
|
测试集AUC |
0.995 |
0.996 |
0.997 |
|
训练时长 (秒) |
166 |
167 |
216 |
从上面两张表可以看出：
（1）训练轮数对于联邦学习模型的性能影响不大，这主要是由于乳腺癌数据集的分类相对简单，且数据集经过了扩充导致的；
（2）增大每个参与方本地模型训练的迭代次数，可以显著提升最终联邦学习模型的性能。
- 参与方数据量不同时，独立训练对比横向联邦训练的准确率
本节实验不再将训练集均匀划分到两个参与方，而是以不同的比例进行划分，从而探究当参与方数据量不同时，模型性能的变化情况。具体划分如下所示。实验中训练轮数固定为10，迭代次数固定为50。
参与方持有的样本数目信息
|
Host所持样本占比(%) |
Host样本数 |
Guest样本数 |
|---|---|---|
|
0.2 |
2946 |
11786 |
|
0.4 |
5892 |
8840 |
|
0.6 |
8839 |
5893 |
|
0.8 |
11785 |
2947 |
下图为当Host方拥有不同数据量时，使用横向联邦对比己方独立训练的性能对比。
图1 Host方拥有不同数据量时，横向联邦对比对立训练的模型性能
结论为：使用横向联邦学习，在己方拥有不同数据量的情况下都可以显著提升模型性能。
父主题： 实验结果
