Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

tff.utils.build_dp_query

GitHub üzerinde Görünüm kaynak

Bir yapar DPQuery diferansiyel gizlilik vektör ortalamalarını tahmin etmek.

De tarif edildiği gibi, iç içe geçmiş ( "başına vektör") sorgular dahil tensorflow_privacy sorgu mevcut türleri, birçok destekler https://arxiv.org/pdf/1812.06210.pdf, ve tarif edildiği gibi quantile tabanlı uyarlanabilir kırpma HTTPS: / /arxiv.org/abs/1905.03871

clip sorgunun L2 normu bağlı.
noise_multiplier klipse (etkin) gürültü STDDEVP oranı.
expected_total_weight ortalama hesaplama için, payda olarak kullanılan tüm istemcilerin beklenen toplam ağırlığı.
adaptive_clip_learning_rate quantile tabanlı adaptif kupürü için öğrenme oranı. 0 ise, sabit kırpma kullanılır. Eğer per_vector_clipping=True ve geometric_clip_update=False , her vektörün öğrenme hızı o vektörün başlangıç klibi ile orantılıdır.
target_unclipped_quantile Hedef uyarlanabilir kırpma için quantile unclipped.
clipped_count_budget_allocation gizlilik bütçesinin fraksiyon kırpılmış sayılarını tahmin etmek için kullanmak.
expected_num_clients kısaltıldı kesirler tahmin etmek için müşteri beklenen sayısı.
per_vector_clipping Doğru ise, bağımsız bir şekilde, her bir ağırlık tensörünün klibi. Aksi takdirde, küresel kırpma kullanılır. Her bir vektör (veya uyarlanabilir kırpma durumunda ilk kırpma normu) için kırpma normu bireysel klipler kare kök toplamı eşittir bu vektör boyutluluk sqrt orantılıdır clip .
geometric_clip_update Eğer doğru ise, klibin geometrik güncellenmesi kullanabilirsiniz.
model Bir tff.learning.Model modeli ağırlıklarının yapısını belirlemek için. per_vector_clipping Doğru olması durumunda gereklidir.

Bir DPQuery Görüşme kullanılmak için uygun üzere build_dp_aggregate diferansiyel gizlilik Federe ortalamasını gerçekleştirmek için.