如何在Tensorflow Federated差分隐私训练过程中修改裁剪和噪声参数

可以在训练过程中动态调整这两个参数，不需要重新创建AggregationProcess。

实现原理 #

你传入的NormalizedQuery和内部的GaussianSumQuery的参数l2_norm_clip、stddev都是以tf.Variable的形式存储在聚合过程的服务端状态中的，直接修改状态中对应的变量值即可生效。

具体操作步骤 #

1. 先确认聚合状态的字段路径，你可以先打印一次server_state.delta_aggregate_state的结构，找到内部查询的参数位置，常规的字段路径如下：

# 修改参数的示例代码，在每轮调用agg_proc.next前执行即可
# 取出差分隐私查询的状态
dp_state = server_state.delta_aggregate_state.dp_query_state
# 更新GaussianSumQuery的裁剪阈值和噪声标准差
dp_state.inner_query_state.l2_norm_clip.assign(新的裁剪阈值)
dp_state.inner_query_state.stddev.assign(新的噪声标准差)
# 把修改后的状态更新回服务端全局状态
server_state = server_state.replace(
    delta_aggregate_state=server_state.delta_aggregate_state.replace(
        dp_query_state=dp_state
    )
)

2. 修改完成后，下一轮调用agg_proc.next执行聚合时，就会自动使用新的参数做梯度裁剪和噪声添加。

注意事项 #

• 如果你需要做精准的隐私预算核算，手动修改stddev后要同步更新隐私会计（PrivacyAccountant）对应轮次的噪声参数，避免预算计算偏差。
• 要是你用的TFF/TFP版本比较新，字段名有微小差异的话，直接打印状态结构顺着找内部查询的对应参数即可，修改逻辑不变。

内容的提问来源于stack exchange，提问作者Kane