이 페이지는 Cloud Translation API를 통해 번역되었습니다.
Switch to English

tff.utils.build_dp_query

GitHub의에서 소스보기

만든다 DPQuery 차동 개인 정보 보호와 벡터 평균을 추정 할 수 있습니다.

에 설명 된대로 중첩 ( "당 벡터") 쿼리를 포함 tensorflow_privacy 쿼리 가능한 유형의 많은 지원 https://arxiv.org/pdf/1812.06210.pdf, 과에 설명 된대로 분위수 기반 적응 클리핑 은 https : / /arxiv.org/abs/1905.03871

clip 쿼리의 L2 규범 바운드.
noise_multiplier 클립에 대한 (유효) STDDEV 잡음의 비율.
expected_total_weight 평균 계산의 분모로서 이용 모든 클라이언트의 예상 총 중량.
adaptive_clip_learning_rate 분위수 기반 적응 클리핑 학습 속도. 0 인 경우 고정 클리핑이 사용된다. 경우 per_vector_clipping=Truegeometric_clip_update=False , 각 벡터의 학습 속도는 벡터의 초기 클립에 비례한다.
target_unclipped_quantile 대상은 적응 클리핑에 대한 분위수를 잘라지지 않은.
clipped_count_budget_allocation 개인 정보 보호 예산의 일부가 잘린 수를 추정 사용할 수 있습니다.
expected_num_clients 잘린 분수를 추정하는 고객의 예상 번호입니다.
per_vector_clipping True 인 경우, 각각 독립적으로 체중 텐서 클립. 그렇지 않으면, 글로벌 클리핑이 사용됩니다. 각각의 벡터 (또는, 적응 클리핑의 경우 초기 클리핑 규범)에 클리핑 규범 개별 클립 제곱 루트의 합과 동일하도록 벡터 차원의 SQRT 비례 clip .
geometric_clip_update true의 경우, 클립의 기하학적 업데이트를 사용합니다.
model tff.learning.Model 모델의 무게의 구조를 결정합니다. per_vector_clipping가 true 인 경우에만 필요합니다.

DPQuery 전화에서 사용하기에 적합합니다 build_dp_aggregate 차동 개인 정보 보호와 연합 평균을 수행 할 수 있습니다.