Quiz collegato alla guida · Difficile Livello

Quiz sulla privacy differenziale

Pratica la sensibilità differenziale della privacy, la composizione e il DP-SGD, incluso il motivo per cui i limiti formali di perdita della privacy differiscono dalle promesse di non memorizzazione.

Percorsi guida correlatiPrivacy differenziale
Domanda 1 di 8

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

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al 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. Cosa distingue il modello “locale” di privacy differenziale dal modello “centrale”?
    • Local richiede un curatore centrale di totale fiducia
    • Il locale non utilizza mai alcun rumore
    • Local funziona solo sulle immagini
    • Locale aggiunge rumore sul dispositivo di ogni persona prima che i dati vengano lasciati
  4. A cosa serve la "sensibilità" quando si calibra il rumore?
    • Misurare quanto i dati di una persona possono modificare il risultato di una query
    • Contare il numero di colonne in una tabella
    • Rilevamento della temperatura dell'hardware
    • Scelta di un carattere per il report
  5. Perché ogni nuova query spende da un "budget per la privacy"?
    • Le query costano denaro per riga
    • La perdita di privacy si accumula attraverso più analisi
    • Il set di dati si riduce a ogni query
    • I budget riguardano solo i limiti di archiviazione
  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?
    • Uno
    • 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