メンバーシップ推論攻撃クイズ

クイズに答えると、答えと解説が表示されます。

1. メンバーシップ推論攻撃は何を特定しようとしているのでしょうか?
   • 特定のレコードがトレーニング セットの一部であったかどうか
   • モデルの精度
   • モデルのアーキテクチャ
   • テストセットのサイズ
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. オリジナルの 2017 Shokri et al. が行った手法は何ですか。攻撃に依存しますか？
   • グラデーションクリッピング
   • シャドウモデル
   • ビームサーチ
   • トークン化
4. 記録の内容を明らかにしなくても、メンバーシップの推論が有害になる可能性があるのはなぜですか?
   • モデルの速度が遅くなります
   • モデルの重みを変更します
   • トレーニングデータを削除します
   • メンバーシップ自体が診断などの機密情報を開示する可能性があります
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