차등 개인 정보 보호 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

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. 차등 프라이버시의 '로컬' 모델과 '중앙' 모델의 차이점은 무엇입니까?
   • 로컬에는 완전히 신뢰할 수 있는 중앙 큐레이터가 필요합니다.
   • 로컬에서는 소음을 전혀 사용하지 않습니다.
   • 로컬 작업은 이미지에만 적용됩니다.
   • 로컬은 데이터가 떠나기 전에 각 사람의 장치에 소음을 추가합니다.
4. 노이즈를 교정할 때 '감도'는 무엇에 사용되나요?
   • 한 사람의 데이터가 쿼리 결과를 얼마나 변화시킬 수 있는지 측정
   • 테이블의 열 수 계산
   • 하드웨어 온도 감지
   • 보고서의 글꼴 선택
5. 각각의 새로운 쿼리가 '개인 정보 보호 예산'에서 지출되는 이유는 무엇입니까?
   • 쿼리에는 행당 비용이 발생합니다.
   • 여러 분석을 통해 개인 정보 손실이 누적됩니다.
   • 쿼리할 때마다 데이터 세트가 축소됩니다.
   • 예산은 저장용량 한도에만 관련되어 있습니다.
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?
   • 하나
   • 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