此页面由 Cloud Translation API 翻译。
Switch to English

tff.utils.build_dp_query

GitHub上查看源代码

使得DPQuery来估计与差动隐私矢量平均值。

支持许多在tensorflow_privacy类型查询可用的,包括嵌套(“每载体”)中所描述的查询https://arxiv.org/pdf/1812.06210.pdf,并且如在描述的基于分位数的自适应限幅的https:/ /arxiv.org/abs/1905.03871

clip 查询的L2规范约束。
noise_multiplier (有效)噪声STDDEV于夹子的比率。
expected_total_weight 所有客户的预期总重量,作为分母的平均计算。
adaptive_clip_learning_rate 学习率基于位数自适应裁剪。如果为0,则使用固定的削波。如果per_vector_clipping=Truegeometric_clip_update=False ,每个矢量的学习速率正比于该矢量的初始片段。
target_unclipped_quantile 未截短的目标位数自适应裁剪。
clipped_count_budget_allocation 隐私预算的比例用于估算修剪计数。
expected_num_clients 估计剪辑的部分预期数量的客户端。
per_vector_clipping 如果真正的,独立显卡的每个重量张量。否则,将使用全局剪切。对于每个向量(或初始剪裁常态,在自适应削波的情况下)的修剪范数成比例矢量维数,使得平方各个剪取物的根和等于的SQRT clip
geometric_clip_update 如果真,用夹子的几何更新。
model tff.learning.Model以确定模型权重的结构。只需要如果per_vector_clipping为True。

DPQuery适合于在呼叫中使用到build_dp_aggregate与差动隐私执行联合平均。