Quiz collegato alla guida · Medio Livello

Quiz sugli attacchi sull'inferenza dell'appartenenza

Studia l'inferenza dell'appartenenza alla formazione, con modelli ombra, calibrazione LiRA, limiti differenziali di privacy, falsi positivi e valutazione degli attacchi.

Domanda 1 di 8

Che cosa sta cercando di determinare un attacco di inferenza di appartenenza?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Che cosa sta cercando di determinare un attacco di inferenza di appartenenza?
    • Se un record specifico faceva parte del set di training
    • La precisione del modello
    • L'architettura del modello
    • La dimensione del set di test
  2. How can overfitting affect membership-inference exposure in studied models?
    • It proves every training record is identifiable with certainty
    • It removes the need to evaluate attack errors
    • It can increase the behavioral difference between members and comparable nonmembers
    • It makes all outputs independent of training data
  3. Quale tecnica ha utilizzato l'originale Shokri et al. attacco su cui fare affidamento?
    • Ritaglio gradiente
    • Modelli d'ombra
    • Ricerca del raggio
    • Tokenizzazione
  4. Perché l'inferenza sull'appartenenza può essere dannosa anche senza rivelare il contenuto del record?
    • Rallenta il modello
    • Cambia i pesi del modello
    • Cancella i dati di allenamento
    • L’adesione stessa può rivelare fatti sensibili, come una diagnosi
  5. What calibration distinguishes the cited LiRA approach from a single naive loss threshold?
    • A guarantee that every record has the same inherent difficulty
    • Only an increased generation temperature
    • Per-example score distributions estimated from in and out models
    • A requirement that the target reveal its entire training dataset
  6. What does a properly specified differential-privacy guarantee bound?
    • Changes in output probabilities between neighboring datasets
    • A guarantee that no attack can ever make any correct guess
    • A mandatory deletion of all model outputs
    • Only the raw number of files in a training folder
  7. An attack incorrectly flags 10 of 1,000 actual nonmembers as members. What is its false-positive rate on those nonmembers?
    • 10%
    • 0.1%
    • 100%
    • 1%
  8. Why does the LiRA paper emphasize true-positive rate at low false-positive rates?
    • False positives are impossible by definition
    • Average accuracy can conceal whether confidently flagged records are reliable membership evidence
    • Every member and nonmember population must have identical sizes
    • The model’s training accuracy directly gives attack precision