Тест, свързан с ръководство · Среден Ниво

Тест за атаки с извод за членство

Проучване на извод за членство в обучение, със сенчести модели, калибриране на LiRA, диференциални граници на поверителност, фалшиви положителни резултати и оценка на атаката.

Свързани ръководни пътекиАтаки с извод за членство
Въпрос 1 на 8

Какво се опитва да определи атака с извод за членство?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво се опитва да определи атака с извод за членство?
    • Дали конкретен запис е част от набора за обучение
    • Точността на модела
    • Архитектурата на модела
    • Размерът на тестовия комплект
  2. How can overfitting affect membership-inference exposure in studied models?
    • It proves every training record is identifiable with certainty
    • It removes the need to evaluate attack errors
    • It can increase the behavioral difference between members and comparable nonmembers
    • It makes all outputs independent of training data
  3. Каква техника направи оригиналният 2017 Shokri et al. атака разчита на?
    • Градиентно изрязване
    • Сенчести модели
    • Търсене по лъч
    • Токенизация
  4. Защо изводът за членство може да бъде вреден дори без разкриване на съдържанието на записа?
    • Забавя модела
    • Променя теглото на модела
    • Изтрива данните за обучението
    • Самото членство може да разкрие чувствителни факти, като диагноза
  5. What calibration distinguishes the cited LiRA approach from a single naive loss threshold?
    • A guarantee that every record has the same inherent difficulty
    • Only an increased generation temperature
    • Per-example score distributions estimated from in and out models
    • A requirement that the target reveal its entire training dataset
  6. What does a properly specified differential-privacy guarantee bound?
    • Changes in output probabilities between neighboring datasets
    • A guarantee that no attack can ever make any correct guess
    • A mandatory deletion of all model outputs
    • Only the raw number of files in a training folder
  7. An attack incorrectly flags 10 of 1,000 actual nonmembers as members. What is its false-positive rate on those nonmembers?
    • 10%
    • 0.1%
    • 100%
    • 1%
  8. Why does the LiRA paper emphasize true-positive rate at low false-positive rates?
    • False positives are impossible by definition
    • Average accuracy can conceal whether confidently flagged records are reliable membership evidence
    • Every member and nonmember population must have identical sizes
    • The model’s training accuracy directly gives attack precision