
368
살아 움직이는 머신러닝 파이프라인 설계
단어를 더 정확하게 예측하는 모델을 훈련할 수 있습니다.
FL
은 다음 특성
47
을 공유하는 사용
사례에서 가장 유용합니다.
●
모델에 필요한 데이터는 분산된 소스에서만 수집할 수 있습니다.
●
데이터 소스가 많습니다.
●
데이터에 민감한 측면이 있습니다.
●
데이터에는 추가 레이블이 필요하지 않습니다. 레이블은 사용자가 직접 제공하며 소스를 떠나지 않습니다.
●
데이터는 거의 동일한 분포에서 추출하는 것이 이상적입니다.
FL
은 머신러닝 시스템 설계에 새로운 고려 사항을 많이 도입했습니다. 예를 들어, 모든 데이터
소스가 한 번의 학습 실행과 다음 학습 사이에 새로운 데이터를 수집하지는 않으며, 모든 모바
일 장치의 전원이 항상 켜져 있지도 않습니다. 수집되는 데이터는 보통 불균형적이며 실제로
장치마다 고유합니다. 장치 풀이 크면 각 학습 실행별로 충분한 데이터를 얻기가 쉽습니다.
FL
을 사용하는 모든 프로젝트에 새로운 보안 인프라를 개발해야 합니다.
48
FL
모델을 학습하는 장치에서 성능 문제가 발생하지 않도록 주의해야 합니다. 학습은 모바일
장치의 배터리를 빠르게 소모하거나 대용량 데이터 사용을 유발하여 사용자의 비용으로 이어
질 수 있습니다. 휴대전화의 처리 능력이 급속도로 증가하고 있지만, 여전히 ...