Тест, свързан с ръководство · трудно Ниво

Диференциален тест за поверителност

Практикувайте диференцирана чувствителност към поверителността, композиция и DP-SGD, включително защо официалните граници за загуба на поверителност се различават от обещанията за липса на запомняне.

Свързани ръководни пътекиДиференциална поверителност
Въпрос 1 на 8

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

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  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. Какво отличава „локалния“ модел на диференцирана поверителност от „централния“ модел?
    • Local изисква напълно доверен централен куратор
    • Местните никога не използват никакъв шум
    • Local работи само върху изображения
    • Local добавя шум към устройството на всеки човек, преди данните да излязат
  4. За какво се използва „чувствителността“ при калибриране на шума?
    • Измерване доколко данните на един човек могат да променят резултата от заявка
    • Преброяване на броя на колоните в таблица
    • Откриване на хардуерна температура
    • Избор на шрифт за отчета
  5. Защо всяко ново запитване харчи от „бюджет за поверителност“?
    • Заявките струват пари на ред
    • Загубата на поверителност се натрупва при множество анализи
    • Наборът от данни се свива с всяка заявка
    • Бюджетите се отнасят само до ограниченията за съхранение
  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?
    • един
    • 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