Cuestionario vinculado a una guía · duro Nivel

Cuestionario de privacidad diferencial

Practique la sensibilidad, composición y DP-SGD diferenciales de la privacidad, incluido por qué los límites formales de pérdida de privacidad difieren de las promesas de no memorización.

Rutas de guía relacionadasPrivacidad diferencial
Pregunta 1 de 8

For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  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. ¿Qué distingue el modelo "local" de privacidad diferencial del modelo "central"?
    • Lo local requiere un curador central de plena confianza
    • El local nunca utiliza ningún ruido.
    • Local funciona solo en imágenes.
    • Local agrega ruido en el dispositivo de cada persona antes de que salgan los datos
  4. ¿Para qué se utiliza la 'sensibilidad' al calibrar el ruido?
    • Medir cuánto los datos de una persona pueden cambiar el resultado de una consulta
    • Contar el número de columnas de una tabla
    • Detección de temperatura del hardware
    • Elegir una fuente para el informe
  5. ¿Por qué cada nueva consulta gasta de un "presupuesto de privacidad"?
    • Las consultas cuestan dinero por fila
    • La pérdida de privacidad se acumula en múltiples análisis
    • El conjunto de datos se reduce con cada consulta.
    • Los presupuestos solo se refieren a límites de almacenamiento
  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?
    • uno
    • 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