ডিফারেনশিয়াল প্রাইভেসি কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

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. ডিফারেনশিয়াল গোপনীয়তার 'স্থানীয়' মডেলকে 'কেন্দ্রীয়' মডেল থেকে কী আলাদা করে?
   • স্থানীয় একটি সম্পূর্ণ বিশ্বস্ত কেন্দ্রীয় কিউরেটর প্রয়োজন
   • লোকাল কখনই কোন শব্দ ব্যবহার করে না
   • স্থানীয় কাজ শুধুমাত্র ইমেজ উপর
   • ডেটা চলে যাওয়ার আগে স্থানীয় প্রতিটি ব্যক্তির ডিভাইসে শব্দ যোগ করে
4. শব্দ ক্রমাঙ্কন করার সময় 'সংবেদনশীলতা' কিসের জন্য ব্যবহৃত হয়?
   • একজন ব্যক্তির ডেটা একটি প্রশ্নের ফলাফলকে কতটা পরিবর্তন করতে পারে তা পরিমাপ করা
   • একটি টেবিলে কলামের সংখ্যা গণনা করা হচ্ছে
   • হার্ডওয়্যারের তাপমাত্রা নির্ণয় করা হচ্ছে
   • প্রতিবেদনের জন্য একটি ফন্ট নির্বাচন করা হচ্ছে
5. কেন প্রতিটি নতুন প্রশ্ন একটি 'গোপনীয়তা বাজেট' থেকে ব্যয় করে?
   • প্রশ্ন প্রতি সারি টাকা খরচ
   • গোপনীয়তা ক্ষতি একাধিক বিশ্লেষণ জুড়ে জমা হয়
   • প্রতিটি প্রশ্নের সাথে ডেটাসেট সঙ্কুচিত হয়
   • বাজেট শুধুমাত্র স্টোরেজ সীমা সম্পর্কে
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?
   • এক
   • 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