Διαφορικό Κουίζ απορρήτου

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

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. Τι διακρίνει το «τοπικό» μοντέλο διαφορικής ιδιωτικότητας από το «κεντρικό» μοντέλο;
   • Το Local απαιτεί έναν πλήρως αξιόπιστο κεντρικό επιμελητή
   • Το Local δεν χρησιμοποιεί ποτέ καθόλου θόρυβο
   • Το Local λειτουργεί μόνο σε εικόνες
   • Το Local προσθέτει θόρυβο στη συσκευή κάθε ατόμου πριν φύγουν τα δεδομένα
4. Σε τι χρησιμοποιείται η «ευαισθησία» κατά τη βαθμονόμηση του θορύβου;
   • Η μέτρηση του πόσο τα δεδομένα ενός ατόμου μπορούν να αλλάξουν το αποτέλεσμα ενός ερωτήματος
   • Μετρώντας τον αριθμό των στηλών σε έναν πίνακα
   • Ανίχνευση θερμοκρασίας υλικού
   • Επιλογή γραμματοσειράς για την αναφορά
5. Γιατί κάθε νέο ερώτημα ξοδεύει από έναν «προϋπολογισμό απορρήτου»;
   • Τα ερωτήματα κοστίζουν ανά σειρά
   • Η απώλεια απορρήτου συσσωρεύεται σε πολλαπλές αναλύσεις
   • Το σύνολο δεδομένων συρρικνώνεται με κάθε ερώτημα
   • Οι προϋπολογισμοί αφορούν μόνο τα όρια αποθήκευσης
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?
   • Ένα
   • 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