Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

tff.utils.build_dp_query

Zobacz źródło na GitHub

Tworzy DPQuery oszacować średnie wektor z różnicowym prywatności.

Obsługuje wiele rodzajów zapytania na tensorflow_privacy, zagnieżdżonych ( „per-wektor”) przesyła opisanych w https://arxiv.org/pdf/1812.06210.pdf, i kwantyla oparte na adaptacyjnych przycinania, jak opisano w https: / /arxiv.org/abs/1905.03871

clip norma L2 zapytaniu za wiążące.
noise_multiplier Stosunek (efektywnego) stdDev szumu do zacisku.
expected_total_weight Spodziewana łączna waga wszystkich klientów, używane jako mianownik dla przeciętnego obliczeń.
adaptive_clip_learning_rate Szybkość uczenia się opartych na kwantyla adaptacyjnego przycinania. Jeśli 0, stosowany jest ustalona strzyżenie. Jeśli per_vector_clipping=True i geometric_clip_update=False , szybkość uczenia się każdego wektora jest proporcjonalna do początkowej klipu nosiciela.
target_unclipped_quantile Target odpiął kwantyl dla adaptacyjnego przycinania.
clipped_count_budget_allocation Frakcja budżetu prywatności użyć do oszacowania liczby obcięte.
expected_num_clients Spodziewana liczba klientów do oszacowania frakcji obcięty.
per_vector_clipping Jeśli to prawda, clip każdy tensor wagi niezależnie. W przeciwnym razie używany jest globalny strzyżenie. Norma zaciskową dla każdego wektora (lub wstępnej normie odcinania, w przypadku adaptacyjnej przycinania) jest proporcjonalna do sqrt z wymiarowości wektora, tak, że suma pierwiastek kwadratowy poszczególnych zacisków równa clip .
geometric_clip_update Jeśli to prawda, używać geometryczne aktualizację klipu.
model tff.learning.Model określić strukturę modelowych ciężarami. Wymagane tylko wtedy, gdy per_vector_clipping jest prawda.

DPQuery nadaje się do zastosowania w wywołaniu build_dp_aggregate wykonać Federalne Uśrednianie z różnicowym prywatności.