সদস্যতা অনুমান আক্রমণ ক্যুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি সদস্যতা অনুমান আক্রমণ কি নির্ধারণ করার চেষ্টা করছে?
   • একটি নির্দিষ্ট রেকর্ড প্রশিক্ষণ সেটের অংশ ছিল কিনা
   • মডেলের নির্ভুলতা
   • মডেলের স্থাপত্য
   • পরীক্ষার সেটের আকার
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. মূল 2017 Shokri et al কি কৌশল করেছে। আক্রমণের উপর নির্ভর করে?
   • গ্রেডিয়েন্ট ক্লিপিং
   • ছায়া মডেল
   • মরীচি অনুসন্ধান
   • টোকেনাইজেশন
4. রেকর্ডের বিষয়বস্তু প্রকাশ না করেও কেন সদস্যপদ অনুমান ক্ষতিকর হতে পারে?
   • এটি মডেলকে ধীর করে দেয়
   • এটি মডেলের ওজন পরিবর্তন করে
   • এটি প্রশিক্ষণ ডেটা মুছে ফেলে
   • সদস্যপদ নিজেই সংবেদনশীল তথ্য প্রকাশ করতে পারে, যেমন একটি রোগ নির্ণয়
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