اختبار مرتبط بالدليل · صعب المستوى

اختبار الخصوصية التفاضلية

تدرب على حساسية الخصوصية التفاضلية، والتكوين، وDP-SGD، بما في ذلك سبب اختلاف حدود فقدان الخصوصية الرسمية عن الوعود بعدم الحفظ.

مسارات الدليل ذات الصلةالخصوصية التفاضلية
سؤال 1 من 8

For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?
    • A larger dataset file
    • An increased model parameter count
    • A tighter bound on the allowed privacy loss
    • A faster GPU clock
  2. Why is noise calibrated to sensitivity in a differential-privacy mechanism?
    • To encrypt every raw record
    • To limit how a permitted neighboring-data change affects released output distributions
    • To remove the need to define neighboring datasets
    • To guarantee every person is impossible to identify under all conditions
  3. ما الذي يميز النموذج "المحلي" للخصوصية التفاضلية عن النموذج "المركزي"؟
    • يتطلب المستوى المحلي أمينًا مركزيًا موثوقًا به تمامًا
    • المحلية لا تستخدم أي ضجيج على الإطلاق
    • الأعمال المحلية فقط على الصور
    • يضيف Local ضوضاء على جهاز كل شخص قبل مغادرة البيانات
  4. ما هي "الحساسية" المستخدمة عند معايرة الضوضاء؟
    • قياس مدى قدرة بيانات شخص واحد على تغيير نتيجة الاستعلام
    • حساب عدد الأعمدة في الجدول
    • الكشف عن درجة حرارة الأجهزة
    • اختيار الخط للتقرير
  5. لماذا يتم إنفاق كل استعلام جديد من "ميزانية الخصوصية"؟
    • الاستعلامات تكلف المال لكل صف
    • تتراكم خسارة الخصوصية عبر تحليلات متعددة
    • تتقلص مجموعة البيانات مع كل استعلام
    • الميزانيات تتعلق فقط بحدود التخزين
  6. What does correctly configured DP-SGD aim to bound through clipping, noise, and privacy accounting?
    • Every possibility of memorizing any fact
    • The total number of model layers automatically
    • The need for a training objective
    • The privacy loss associated with the specified neighboring training datasets
  7. A count query includes each person at most once. Under adding or removing one person, what is its sensitivity?
    • واحد
    • The entire number of database columns
    • Zero because it is a count
    • The model’s hidden dimension
  8. Two separately randomized analyses use the same private dataset. Why evaluate them together?
    • The second analysis deletes the first output
    • Each analysis makes the previous privacy cost exactly zero
    • Privacy loss can compose across the released outputs
    • Composition applies only to public data