tff.utils.build_dp_query

使得DPQuery來估計與差動隱私矢量平均值。

tff.utils.build_dp_query(
    clip, noise_multiplier, expected_total_weight, adaptive_clip_learning_rate=0,
    target_unclipped_quantile=None, clipped_count_budget_allocation=None,
    expected_num_clients=None, per_vector_clipping=False,
    geometric_clip_update=True, model=None
)

支持許多在tensorflow_privacy類型查詢可用的，包括嵌套（“每載體”）中所描述的查詢https://arxiv.org/pdf/1812.06210.pdf，並且如在描述的基於分位數的自適應限幅的https：/ /arxiv.org/abs/1905.03871

ARGS
`clip`	查詢的L2規範約束。
`noise_multiplier`	（有效）噪聲STDDEV於夾子的比率。
`expected_total_weight`	所有客戶的預期總重量，作為分母的平均計算。
`adaptive_clip_learning_rate`	學習率基於位數自適應裁剪。如果為0，則使用固定的削波。如果`per_vector_clipping=True`和`geometric_clip_update=False` ，每個矢量的學習速率正比於該矢量的初始片段。
`target_unclipped_quantile`	未截短的目標位數自適應裁剪。
`clipped_count_budget_allocation`	隱私預算的比例用於估算修剪計數。
`expected_num_clients`	估計剪輯的部分預期數量的客戶端。
`per_vector_clipping`	如果真正的，獨立顯卡的每個重量張量。否則，將使用全局剪切。對於每個向量（或初始剪裁常態，在自適應削波的情況下）的修剪範數成比例矢量維數，使得平方各個剪取物的根和等於的SQRT `clip` 。
`geometric_clip_update`	如果真，用夾子的幾何更新。
`model`	甲`tff.learning.Model`以確定模型權重的結構。只需要如果per_vector_clipping為True。

返回
甲`DPQuery`適合於在呼叫中使用到`build_dp_aggregate`與差動隱私執行聯合平均。

tff.utils.build_dp_query

ARGS

返回