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.

Kapcsolódó útmutató utakDifferenciális adatvédelem
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.

  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. 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
  4. 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
  5. 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
  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?
    • Egy
    • 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