Kuis terkait panduan · Keras Tingkat

Kuis Privasi Diferensial

Praktikkan sensitivitas privasi yang berbeda, komposisi, dan DP-SGD, termasuk mengapa batas kehilangan privasi formal berbeda dengan janji tidak ada hafalan.

Jalur panduan terkaitPrivasi Diferensial
Pertanyaan 1 dari 8

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

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  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. Apa yang membedakan model privasi diferensial 'lokal' dengan model 'pusat'?
    • Lokal membutuhkan kurator pusat yang terpercaya sepenuhnya
    • Lokal tidak pernah menggunakan kebisingan sama sekali
    • Lokal hanya berfungsi pada gambar
    • Lokal menambahkan kebisingan pada perangkat setiap orang sebelum data keluar
  4. Untuk apa 'sensitivitas' digunakan saat mengkalibrasi kebisingan?
    • Mengukur seberapa besar data seseorang dapat mengubah hasil kueri
    • Menghitung jumlah kolom dalam sebuah tabel
    • Mendeteksi suhu perangkat keras
    • Memilih font untuk laporan
  5. Mengapa setiap kueri baru menghabiskan 'anggaran privasi'?
    • Kueri memerlukan biaya per baris
    • Hilangnya privasi terakumulasi di berbagai analisis
    • Himpunan data menyusut seiring dengan setiap kueri
    • Anggaran hanya tentang batas penyimpanan
  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?
    • Satu
    • 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