差分プライバシー クイズ

クイズに答えると、答えと解説が表示されます。

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. 差分プライバシーの「ローカル」モデルと「中央」モデルの違いは何ですか?
   • ローカルには完全に信頼できる中央キュレーターが必要です
   • ローカルでは一切ノイズを使用しません
   • ローカルは画像に対してのみ機能します
   • ローカルでは、データが送信される前に各人のデバイスにノイズが追加されます
4. ノイズを校正する際の「感度」は何に使用されますか?
   • 1 人のデータがクエリの結果をどれだけ変えることができるかを測定する
   • テーブル内の列の数を数える
   • ハードウェア温度の検出
   • レポートのフォントの選択
5. 新しいクエリごとに「プライバシー予算」が費やされるのはなぜですか?
   • クエリには行ごとにコストがかかります
   • 複数の分析にわたってプライバシーの損失が蓄積される
   • データセットはクエリごとに縮小します
   • 予算はストレージの制限のみを考慮します
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?
   • 1 つ
   • 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