Cette page a été traduite par l'API Cloud Translation.
Switch to English

tff.utils.build_dp_query

Voir la source sur GitHub

Fait un DPQuery pour estimer les moyennes de vecteurs avec la vie privée différentielle.

Prise en charge de nombreux types de recherche disponibles dans tensorflow_privacy, y compris les requêtes imbriquées ( « par vecteur ») comme décrit dans https://arxiv.org/pdf/1812.06210.pdf, et découpage adaptatif à base quantile tel que décrit dans https: / /arxiv.org/abs/1905.03871

clip L2 La norme de la requête liée.
noise_multiplier Le rapport de la (effective) stddev de bruit pour le clip.
expected_total_weight Le poids total attendu de tous les clients, utilisé comme dénominateur pour le calcul de la moyenne.
adaptive_clip_learning_rate taux d'apprentissage pour la coupure adaptatif basé quantile. Si 0, écrêtage fixe est utilisé. Si per_vector_clipping=True et geometric_clip_update=False , le taux d'apprentissage de chaque vecteur est proportionnelle à pince initiale de ce vecteur.
target_unclipped_quantile Cible détacha quantile de découpage adaptatif.
clipped_count_budget_allocation La fraction du budget de la vie privée à utiliser pour estimer compte rognées.
expected_num_clients Le nombre prévu de clients pour estimer les fractions tronquées.
per_vector_clipping Si vrai, chaque pince tenseur de poids indépendamment. Dans le cas contraire, coupure globale est utilisée. La norme de détourage pour chaque vecteur (ou la norme de découpage initial, dans le cas de coupure adaptative) est proportionnelle à la racine carrée du vecteur dimensionnalité de telle sorte que la somme des racines carrées des éléments individuels est égal à clip .
geometric_clip_update Si vrai, utilisez la mise à jour géométrique du clip.
model A tff.learning.Model pour déterminer la structure des poids du modèle. Requis uniquement si per_vector_clipping est vrai.

Un DPQuery approprié pour être utilisé dans un appel à build_dp_aggregate pour effectuer la moyenne fédéré avec la vie privée différentielle.