דף זה תורגם על ידי Cloud Translation API.
Switch to English

tff.utils.build_dp_query

מקור צפה על GitHub

עושה DPQuery לאמוד ממוצעי וקטור עם פרטיות הפרש.

תומך ברבות הסוגים של השאילתה זמינה tensorflow_privacy, כוללים שאילתות מקוננות ( "לכל וקטור") כמתואר https://arxiv.org/pdf/1812.06210.pdf, ו גזיר אדפטיבית מבוסס החמישון כמתואר https: / /arxiv.org/abs/1905.03871

clip הנורמה L2 של שאילתת כבול.
noise_multiplier היחס בין StdDev הרעש (האפקטיבי) לקליפ.
expected_total_weight המשקל הכולל הצפוי של כל הלקוחות, משמש המכנה לחישוב הממוצע.
adaptive_clip_learning_rate שיעור למידה עבור גזיר אדפטיבית מבוסס החמישון. אם 0, גזיר קבוע משמש. אם per_vector_clipping=True ו geometric_clip_update=False , שיעור הלמידה של כל וקטור הוא יחסי קליפ הראשונית של וקטור.
target_unclipped_quantile יעד unclipped החמישון עבור גזיר אדפטיבית.
clipped_count_budget_allocation את החלק היחסי של תקציב פרטי להשתמש להערכת ספירת מקוטע.
expected_num_clients המספר צפוי של לקוחות להערכה שברים מקוטעים.
per_vector_clipping אם נכון, כל קליפ מותח במשקל באופן עצמאי. אחרת, גזיר הגלובלי משמש. נורמת הגזיר עבור כל וקטור (או נורמת הגזיר הראשונית, במקרה של גזיר אדפטיבית) פרופורציונלית sqrt של ממדיות הווקטור כזה שסכום שורש ריבועי קליפים הבודדים שווה clip .
geometric_clip_update אם נכון, להשתמש בעדכון גיאומטרי של הקליפ.
model tff.learning.Model כדי לקבוע את המבנה של משקלי המודל. הוא נדרש רק אם per_vector_clipping הוא True.

DPQuery המתאים לשימוש קריאה build_dp_aggregate לבצע ממוצעי Federated עם פרטיות הפרש.