Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

tff.utils.build_dp_query

Quelltext anzeigen auf GitHub

Mach ein DPQuery zu Vektor mittelt mit Differential Privatsphäre zu schätzen.

Unterstützt viele der Arten von Abfrage in tensorflow_privacy, einschließlich verschachtelten ( „pro-Vektor“) Abfragen , wie beschrieben in https://arxiv.org/pdf/1812.06210.pdf, und Quantil-basierten adaptivem clipping wie beschrieben in https: / /arxiv.org/abs/1905.03871

clip Die L2-Norm der Abfrage gebunden.
noise_multiplier Das Verhältnis des (effektiven) Rauschen stddev auf den Clip.
expected_total_weight Das erwartete Gesamtgewicht aller Kunden, als Nenner für die Mittelwertberechnung verwendet.
adaptive_clip_learning_rate Lernrate für Quantil-basierte adaptiven Clipping. Bei 0 wird festgelegt clipping verwendet. Wenn per_vector_clipping=True und geometric_clip_update=False , ist die Lernrate jedes Vektors proportional zu , dass die ersten Clips Vektor.
target_unclipped_quantile Target unclipped Quantil für adaptiven Clipping.
clipped_count_budget_allocation Der Anteil des Privathaushaltes zu verwenden, um beschnitten zählt zu schätzen.
expected_num_clients Die erwartete Anzahl von Clients für eingeklipst Fraktionen abzuschätzen.
per_vector_clipping Bei True Clip unabhängig jedes Gewicht Tensor. Andernfalls wird global Clipping verwendet. Die Abschneide Norm für jeden Vektor (oder die anfänglichen Abschneide norm, im Fall des adaptiven clipping) ist proportional zur Quadratwurzel der Vektors Dimensionalität , so dass die Wurzel aus der Summe der einzelnen Clips gleich quadrierte clip .
geometric_clip_update Wenn ja, mit geometrischer Aktualisierung des Clips.
model A tff.learning.Model die Struktur des Modells Gewichte zu bestimmen. Nur erforderlich, wenn per_vector_clipping Wahr ist.

A DPQuery geeignet für die Verwendung in einem Aufruf an build_dp_aggregate Federated Averaging mit Differential Privacy auszuführen.