विभेदक गोपनीयता प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

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. विभेदक गोपनीयता के 'स्थानीय' मॉडल को 'केंद्रीय' मॉडल से क्या अलग करता है?
   • लोकल को पूर्णतः विश्वसनीय केंद्रीय क्यूरेटर की आवश्यकता होती है
   • लोकल में कभी भी कोई शोर नहीं होता
   • स्थानीय केवल छवियों पर काम करता है
   • डेटा निकलने से पहले लोकल प्रत्येक व्यक्ति के डिवाइस पर शोर जोड़ता है
4. शोर को अंशांकित करते समय 'संवेदनशीलता' का उपयोग किसके लिए किया जाता है?
   • यह मापना कि एक व्यक्ति का डेटा किसी क्वेरी के परिणाम को कितना बदल सकता है
   • किसी तालिका में स्तंभों की संख्या की गणना करना
   • हार्डवेयर तापमान का पता लगाना
   • रिपोर्ट के लिए फ़ॉन्ट चुनना
5. प्रत्येक नई क्वेरी 'गोपनीयता बजट' से क्यों खर्च होती है?
   • प्रश्नों की प्रति पंक्ति पैसे खर्च होते हैं
   • कई विश्लेषणों के दौरान गोपनीयता की हानि होती रहती है
   • प्रत्येक क्वेरी के साथ डेटासेट सिकुड़ता है
   • बजट केवल भंडारण सीमा के बारे में हैं
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?
   • एक
   • 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