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.
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.
- 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
- 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
- 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
- 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
- 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?
- Uno
- 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