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.

Související vodicí cestyDiferenciální soukromí
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.

  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. 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
  4. 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
  5. 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
  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?
    • Jeden
    • 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