Quiz différentiel sur la confidentialité

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

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. Qu'est-ce qui distingue le modèle « local » de confidentialité différentielle du modèle « central » ?
   • Le local nécessite un conservateur central entièrement fiable
   • Local n'utilise jamais de bruit du tout
   • Travaux locaux uniquement sur les images
   • Local ajoute du bruit sur l'appareil de chaque personne avant le départ des données
4. À quoi sert la « sensibilité » lors de l'étalonnage du bruit ?
   • Mesurer dans quelle mesure les données d'une personne peuvent modifier le résultat d'une requête
   • Compter le nombre de colonnes dans un tableau
   • Détection de la température du matériel
   • Choisir une police pour le rapport
5. Pourquoi chaque nouvelle requête dépense-t-elle sur un « budget de confidentialité » ?
   • Les requêtes coûtent de l'argent par ligne
   • La perte de confidentialité s’accumule à travers plusieurs analyses
   • L'ensemble de données diminue à chaque requête
   • Les budgets concernent uniquement les limites de stockage
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?
   • Un
   • 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