Se usó la API de Cloud Translation para traducir esta página.
Switch to English

tff.utils.build_dp_query

Ver código fuente en GitHub

Hace un DPQuery para estimar las medias de vectores con la privacidad diferencial.

Es compatible con muchos de los tipos de consulta disponibles en tensorflow_privacy, incluyendo consultas anidadas ( "per-vector") como se describe en https://arxiv.org/pdf/1812.06210.pdf, y recorte adaptativo basado-cuantil como se describe en https: / /arxiv.org/abs/1905.03871

clip norma L2 de la consulta obligada.
noise_multiplier La relación de la (efectiva) STDDEV ruido a la clip.
expected_total_weight El peso total esperado de todos los clientes, que se utiliza como denominador para el cálculo del promedio.
adaptive_clip_learning_rate tasa de aprendizaje para el recortes adaptativo basado-cuantil. Si es 0, se utiliza el recorte fijo. Si per_vector_clipping=True y geometric_clip_update=False , la tasa de aprendizaje de cada vector es proporcional a la pinza inicial de ese vector.
target_unclipped_quantile Target desenganchó cuantil para el recortes adaptativo.
clipped_count_budget_allocation La fracción del presupuesto de privacidad a utilizar para estimar el recuento recortadas.
expected_num_clients El número esperado de clientes para la estimación de las fracciones recortadas.
per_vector_clipping Si es True, una pinza de cada tensor de peso de forma independiente. De lo contrario, se utiliza el recorte global. La norma de recorte para cada vector (o la norma de recorte inicial, en el caso de recorte adaptativo) es proporcional a la raíz cuadrada de la dimensionalidad del vector de tal manera que la suma de la raíz cuadrada de los clips individuales es igual clip .
geometric_clip_update Si es verdad, una puesta al día geométrica del clip.
model A tff.learning.Model para determinar la estructura de los pesos del modelo. Requiere sólo si per_vector_clipping es verdadera.

A DPQuery adecuado para su uso en una llamada a build_dp_aggregate para realizar Federated Averaging con privacidad diferencial.