Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Differenciális adatvédelmi kvíz
Practice differential privacy sensitivity, composition, and DP-SGD, including why formal privacy-loss bounds differ from promises of no memorization.
kérdés 1 -ból 8
For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- 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
- Mi különbözteti meg az eltérő adatvédelem „helyi” modelljét a „központi” modelltől?
- A helyihez teljesen megbízható központi kurátorra van szükség
- A helyi soha nem használ zajt
- A helyi csak képeken működik
- A Local zajt ad minden egyes személy eszközén az adatok távozása előtt
- Mire használják az „érzékenységet” a zaj kalibrálásakor?
- Annak mérése, hogy egy személy adatai mennyiben változtathatják meg a lekérdezés eredményét
- A táblázat oszlopainak számlálása
- Hardver hőmérséklet érzékelése
- Betűtípus kiválasztása a jelentéshez
- Miért költenek minden új lekérdezésre „adatvédelmi költségvetésből”?
- A lekérdezések soronként pénzbe kerülnek
- Az adatvesztés több elemzés során halmozódik fel
- Az adatkészlet minden lekérdezéssel zsugorodik
- A költségvetés csak a tárhelykorlátokról szól
- 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
- A count query includes each person at most once. Under adding or removing one person, what is its sensitivity?
- Egy
- The entire number of database columns
- Zero because it is a count
- The model’s hidden dimension
- 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