Esta página foi traduzida pela API Cloud Translation.
Switch to English

tff.utils.build_dp_query

Ver fonte no GitHub

Faz um DPQuery a calcular as médias vetor com privacidade diferencial.

Suportes muitos dos tipos de consulta disponível em tensorflow_privacy, incluindo ( "per-vector") consultas aninhadas como descritos em https://arxiv.org/pdf/1812.06210.pdf, e recorte adaptável à base de quantil como descrito em https: / /arxiv.org/abs/1905.03871

clip norma L2 da consulta obrigado.
noise_multiplier A razão entre o (eficaz) stddev ruído para o grampo.
expected_total_weight O peso total esperado de todos os clientes, usado como denominador para o cálculo da média.
adaptive_clip_learning_rate taxa de aprendizagem para recorte adaptável à base de quantil. Se 0, recorte fixa é utilizada. Se per_vector_clipping=True e geometric_clip_update=False , a taxa de aprendizagem de cada vetor é proporcional ao clipe inicial desse vetor.
target_unclipped_quantile Alvo unclipped quantil para recorte adaptativa.
clipped_count_budget_allocation A fração do orçamento de privacidade para usar para estimar a contagem cortadas.
expected_num_clients O número esperado de clientes para estimar frações cortadas.
per_vector_clipping Se for verdade, cortar cada tensor de peso de forma independente. Caso contrário, recorte global é usado. A norma de recorte para cada vector (ou a norma recorte inicial, no caso de recorte adaptativo) é proporcional à raiz quadrada do dimensionalidade vector de modo a que a soma raiz quadrada dos grampos individuais é igual a clip .
geometric_clip_update Se for verdade, utilizar a actualização geométrica do clipe.
model Um tff.learning.Model para determinar a estrutura de pesos modelo. Necessário apenas se per_vector_clipping é True.

A DPQuery adequado para uso em uma chamada para build_dp_aggregate para executar Federated Média com privacidade diferencial.