Kvíz spojený s průvodcem · Těžko úroveň
Diferenciální kvíz o soukromí
Procvičte si rozdílnou citlivost na soukromí, složení a DP-SGD, včetně toho, proč se formální hranice ztráty soukromí liší od příslibů bez zapamatování.
Otázka 1 z 8
For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- Co odlišuje „místní“ model diferenciálního soukromí od „centrálního“ modelu?
- Local vyžaduje plně důvěryhodného centrálního kurátora
- Místní nikdy nepoužívá žádný hluk
- Local funguje pouze na obrázcích
- Místní přidává šum na zařízení každé osoby, než data odejdou
- K čemu se při kalibraci šumu používá „citlivost“?
- Měření, jak moc mohou data jedné osoby změnit výsledek dotazu
- Počítání počtu sloupců v tabulce
- Detekce teploty hardwaru
- Výběr písma pro sestavu
- Proč každý nový dotaz utrácí z „rozpočtu na ochranu soukromí“?
- Dotazy stojí peníze za řádek
- Ztráta soukromí se kumuluje během několika analýz
- S každým dotazem se datová sada zmenšuje
- Rozpočty jsou pouze o limitech úložiště
- 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
- A count query includes each person at most once. Under adding or removing one person, what is its sensitivity?
- Jeden
- The entire number of database columns
- Zero because it is a count
- The model’s hidden dimension
- 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