این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

tff.utils.build_dp_query

مشاهده منبع در گیتهاب

باعث می شود یک DPQuery برآورد میانگین برداری با حفظ حریم خصوصی دیفرانسیل.

پشتیبانی از بسیاری از انواع جستجوهای موجود در tensorflow_privacy، از جمله تو در تو ( "هر بردار") نمایش داده شد همان طور که در https://arxiv.org/pdf/1812.06210.pdf، و مبتنی بر چندک قطع تطبیقی همان طور که در مورد https: / /arxiv.org/abs/1905.03871

clip L2 هنجار پرس و جو را محدود شده است.
noise_multiplier نسبت (موثر) stddev سر و صدا به کلیپ.
expected_total_weight وزن کل انتظار می رود از تمام مشتریان، به عنوان مخرج برای محاسبه متوسط ​​استفاده می شود.
adaptive_clip_learning_rate نرخ یادگیری برای قطع تطبیقی ​​مبتنی بر چندک. اگر 0، قطع ثابت استفاده می شود. اگر per_vector_clipping=True و geometric_clip_update=False ، نرخ یادگیری هر بردار متناسب با کلیپ های اولیه که بردار است.
target_unclipped_quantile هدف چندک برای قطع تطبیقی ​​برش فقط.
clipped_count_budget_allocation کسری از بودجه حریم خصوصی برای استفاده برای برآورد تعداد کوتاه.
expected_num_clients تعداد مورد انتظار از مشتریان برای برآورد کسری کوتاه.
per_vector_clipping اگر درست باشد، کلیپ هر تانسور وزن به طور مستقل. در غیر این صورت، قطع جهانی استفاده شده است. هنجار قطع برای هر بردار (یا هنجار قطع اولیه، در مورد قطع تطبیقی) متناسب با دستور تابع sqrt ابعاد بردار است به طوری که مجموع ریشه مربع از کلیپ های فردی برابر است clip .
geometric_clip_update اگر درست است، استفاده از به روز رسانی هندسی از کلیپ.
model tff.learning.Model برای تعیین ساختار وزن مدل. مورد نیاز فقط اگر per_vector_clipping درست است.

DPQuery مناسب برای استفاده در یک تماس به build_dp_aggregate به انجام فدرال به طور متوسط با حفظ حریم خصوصی دیفرانسیل.