Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

tff.utils.build_dp_query

Visualizza sorgente su GitHub

Fa un DPQuery per stimare le medie vettore con la privacy differenziale.

Supporta molti dei tipi di ricerca disponibili in tensorflow_privacy, tra cui le query nidificate ( "per-vettore"), come descritto nella https://arxiv.org/pdf/1812.06210.pdf, e quantile a base di clipping adattativo come descritto nella https: / /arxiv.org/abs/1905.03871

clip norma L2 della query legato.
noise_multiplier Il rapporto tra il (efficace) stdDev rumore al clip.
expected_total_weight Il peso totale previsto per tutti i clienti, utilizzato come denominatore per il calcolo della media.
adaptive_clip_learning_rate tasso di apprendimento per quantile a base di clipping adattativo. Se 0, viene utilizzato ritaglio fisso. Se per_vector_clipping=True e geometric_clip_update=False , il tasso di apprendimento di ciascun vettore è proporzionale alla clip di iniziale che del vettore.
target_unclipped_quantile Obiettivo staccò quantile per clipping adattiva.
clipped_count_budget_allocation La frazione del budget privacy da utilizzare per la stima conta tagliate.
expected_num_clients Il numero previsto di clienti per la stima frazioni tagliate.
per_vector_clipping Se Vero, ritagliare ogni tensore di peso in modo indipendente. In caso contrario, viene utilizzato clipping globale. La norma clipping per ogni vettore (o la norma ritaglio iniziale, nel caso di clipping adattivo) è proporzionale alla sqrt della dimensionalità vettore tale che la somma radice quadrata delle singole clip uguale clip .
geometric_clip_update Se Vero, utilizzare l'aggiornamento geometrico della clip.
model Un tff.learning.Model determinare la struttura dei pesi modello. Necessaria solo se per_vector_clipping è True.

Un DPQuery adatto per l'uso in una chiamata a build_dp_aggregate effettuare federata mediazione con la privacy differenziale.