DifferentialPrivacyServerSideFixedClipping

class DifferentialPrivacyServerSideFixedClipping(strategy: Strategy, noise_multiplier: float, clipping_norm: float, num_sampled_clients: int)[source]

Bases : Strategy

Stratégie enveloppe pour le DP central avec couper côté serveur fixe.

Paramètres:

  • strategy (Strategy) – La stratégie à laquelle les fonctionnalités de DP seront ajoutées par ce wrapper.

  • noise_multiplier (float) – Le multiplicateur de bruit pour la mécanique gaussienne pour les mises à jour du modèle. Une valeur de 1,0 ou supérieure est recommandée pour une forte confidentialité.

  • clipping_norm (float) – La valeur de la norme de clipping.

  • num_sampled_clients (int) – Le nombre de clients échantillonnés à chaque tour.

Exemples

Créez une stratégie:

strategy = fl.server.strategy.FedAvg( ... )

Wrap the strategy with the DifferentialPrivacyServerSideFixedClipping wrapper:

dp_strategy = DifferentialPrivacyServerSideFixedClipping(
    strategy, cfg.noise_multiplier, cfg.clipping_norm, cfg.num_sampled_clients
)

Methods

aggregate_evaluate(server_round, results, ...)

Aggregate evaluation losses using the given strategy.

aggregate_fit(server_round, results, failures)

Compute the updates, clip, and pass them for aggregation.

configure_evaluate(server_round, parameters, ...)

Configure the next round of evaluation.

configure_fit(server_round, parameters, ...)

Configure le prochain tour d'entraînement.

evaluate(server_round, parameters)

Evaluate model parameters using an evaluation function from the strategy.

initialize_parameters(client_manager)

Initialize global model parameters using given strategy.
aggregate_evaluate(server_round: int, results: list[tuple[ClientProxy, EvaluateRes]], failures: list[tuple[ClientProxy, EvaluateRes] | BaseException]) → tuple[float | None, dict[str, bool | bytes | float | int | str]][source]

Aggregate evaluation losses using the given strategy.

aggregate_fit(server_round: int, results: list[tuple[ClientProxy, FitRes]], failures: list[tuple[ClientProxy, FitRes] | BaseException]) → tuple[Parameters | None, dict[str, bool | bytes | float | int | str]][source]

Compute the updates, clip, and pass them for aggregation.

Afterward, add noise to the aggregated parameters.

configure_evaluate(server_round: int, parameters: Parameters, client_manager: ClientManager) → list[tuple[ClientProxy, EvaluateIns]][source]

Configure the next round of evaluation.

configure_fit(server_round: int, parameters: Parameters, client_manager: ClientManager) → list[tuple[ClientProxy, FitIns]][source]

Configure le prochain tour d’entraînement.

evaluate(server_round: int, parameters: Parameters) → tuple[float, dict[str, bool | bytes | float | int | str]] | None[source]

Evaluate model parameters using an evaluation function from the strategy.

initialize_parameters(client_manager: ClientManager) → Parameters | None[source]

Initialize global model parameters using given strategy.