Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zu Mitgliedschaftsinferenzangriffen

Studieren Sie die Inferenz von Schulung und Mitgliedschaft mit Schattenmodellen, LiRA-Kalibrierung, differenziellen Datenschutzgrenzen, Fehlalarmen und Angriffsbewertung.

Verwandte FührungspfadeAngriffe auf Mitgliedschaftsinferenzen
Frage 1 von 8

Was versucht ein Mitgliedschaftsinferenzangriff festzustellen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was versucht ein Mitgliedschaftsinferenzangriff festzustellen?
    • Ob ein bestimmter Datensatz Teil des Trainingssatzes war
    • Die Genauigkeit des Modells
    • Die Architektur des Modells
    • Die Größe des Testsatzes
  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. Welche Technik verwendeten die ursprünglichen Shokri et al. aus dem Jahr 2017? Angriff verlassen sich auf?
    • Farbverlaufsausschnitt
    • Schattenmodelle
    • Strahlsuche
    • Tokenisierung
  4. Warum kann ein Rückschluss auf die Mitgliedschaft schädlich sein, auch ohne den Inhalt des Datensatzes preiszugeben?
    • Es verlangsamt das Modell
    • Es ändert die Gewichte des Modells
    • Es löscht Trainingsdaten
    • Die Mitgliedschaft selbst kann sensible Fakten offenlegen, beispielsweise eine Diagnose
  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