Federated DPFTRL and Adaptive Clipping noise injection.

Abierto
#519 1 comentario 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
25/100
Tipo de issue
Nueva funcionalidad
Claridad
Necesita aclaración
Estado de actividad
Estancado
Stack tecnológico
python

Línea de trabajo

Lee tensorflow_privacy/privacy/dp_query/quantile_adaptive_clip_tree_query.py y quantile_estimator_query.py, y luego compara su gestión del árbol y del bit de norma con la del artículo citado Federated Learning of Gboard Language Models with Differential Privacy. Determina si la disposición propuesta de DPFTRL y del ruido de adaptive-clipping está respaldada por la implementación actual; se considera terminado cuando exista una decisión de diseño confirmada por un maintainer o un plan de implementación claramente delimitado.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

Dear developers of the privacy framework. I was checking the implementation of quantile_adaptive_clip_tree_query.py

I can see that a new tree is required to inject noise after aggregating the norm bit as the traditional QuantileEstimatorQuery
is wrapped from the TreeQuantileEstimatorQuery

In this paper Federated Learning of Gboard Language Models with Differential Privacy I see the paragraph highlighted in the image below.
Question: Does this mean that I can just keep the logic of restarting the tree and then updating the clipping norm of the DPFTRL skipping the second tree that injects noise on norm bits and just replace the whole noise of Federated DP-FTRL with Adaptive clipping setup with just a Tree based Gaussian noise with Z as stated in the figure? I am confused here.

Thanks you in advance.

image

Lenguaje dominante
Python
Estrellas
2k
Forks
477
Merge medio
17 h 24 min
PR fusionados (30 d)
4

Preparar el entorno

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de tensorflow/privacy

Todos los issues de tensorflow/privacy

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.