参与者的泊松次抽样联合学习过程

Question

我在用TFF做一些实验。在这个例子中，我想根据poisson subsampling在每一次培训中对参与的客户进行抽样，其中每个客户被抽样的概率为p = users_per_round / num_users。

在每一轮中，都会执行poisson subsampling，直到列表sampled_ids中填充了与users_per_round数量相等的唯一ids。

total_rounds = 100
num_users = 500
users_per_round = 150
lambda_value = np.random.rand()

for round_num in range(total_rounds):

   sampled_ids = []

   while len(sampled_ids) < users_per_round:

      subsampling = np.random.poisson(lambda_value, num_users)
      whether = subsampling > 1 - users_per_round / num_users
      for i in np.arange(num_users):
          if whether[i] and len(sampled_ids) < users_per_round and i 
             not in sampled_ids:
                  sampled_ids.append(i)


  sampled_clients = [train_data.client_ids[i] for i in sampled_ids]

  sampled_train_data = 
     [train_data.create_tf_dataset_for_client(client) for client in 
         sampled_clients]

  server_state, train_metrics = iterative_process.next(server_state, 
                                                 sampled_train_data)

是否有更好的方法来执行poisson subsampling，特别是如果在differentially private FL中应用了次抽样，以便RDP accountant获得准确的隐私分析结果？

除了lambda值之外，设置random值的最佳策略是什么？

Answer 1

泊松次抽样是指每个用户都包含在概率q中。如果q很小的话，您从这个过程中得到的每一轮的用户数大约都是泊松分布的。如果您想要这样的示例，即期望users_per_round用户在一轮中运行，您可以执行以下操作：

users_this_round = np.random.poisson(users_per_round)
sampled_ids = np.random.choice(num_users, size=users_this_round, replace=False)

如果您想准确地选择users_per_round用户(技术上不是泊松次抽样)，您可以这样做：

sampled_ids = np.random.choice(num_users, size=users_per_round, replace=False)