Эта страница была переведа с помощью Cloud Translation API.
Switch to English

tff.utils.build_dp_query

Просмотр на GitHub

Делает DPQuery для оценки вектора средних с дифференциалом уединенности.

Поддерживает многие типы запросов доступен в tensorflow_privacy, в том числе вложенных друг в друга ( «на-вектор») запросов , как описано в https://arxiv.org/pdf/1812.06210.pdf, и квантильной на основе адаптивного вырезку , как описано в HTTPS: / /arxiv.org/abs/1905.03871

clip норма L2 в запросе связаны.
noise_multiplier Отношение (эффективный) шум StdDev в клип.
expected_total_weight Ожидаемый общий вес всех клиентов, используются в качестве знаменателя для среднего вычисления.
adaptive_clip_learning_rate Скорость обучения для квантилей на основе адаптивной вырезки. Если 0, то используется фиксированное отсечение. Если per_vector_clipping=True и geometric_clip_update=False , скорость обучения каждого вектора пропорциональна начальному клип этого вектора.
target_unclipped_quantile Целевой отстегнул квантиль для адаптивной вырезки.
clipped_count_budget_allocation Доля бюджета конфиденциальности использовать для оценки подрезанных отсчетов.
expected_num_clients Ожидаемое число клиентов для оценки подрезанных фракций.
per_vector_clipping Если True, то каждый клип тензор веса независимо друг от друга. В противном случае, используется глобальная отсечение. Отсечение норма для каждого вектора (или начальной отсекающей нормы, в случае адаптивной вырезки) пропорциональна SQRT вектора размерности таких , что корень суммы квадратов отдельных клипов равно clip .
geometric_clip_update Если True, то использовать геометрическое обновление клипа.
model tff.learning.Model определить структуру модели весов. Требуется только если per_vector_clipping является True.

DPQuery подходит для использования в вызове build_dp_aggregate выполнить Федеративные усреднение с дифференциальной приватностью.