멤버십 추론 공격 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 멤버십 추론 공격은 무엇을 확인하려고 합니까?
   • 특정 기록이 훈련 세트의 일부인지 여부
   • 모델의 정확성
   • 모델의 아키텍처
   • 테스트 세트의 크기
2. 과적합은 연구된 모델에서 멤버십 추론 노출에 어떤 영향을 미칠 수 있나요?
   • 모든 훈련 기록이 확실하게 식별 가능하다는 것을 증명합니다.
   • 공격 오류를 평가할 필요가 없습니다.
   • 이는 회원과 유사한 비회원 간의 행동 차이를 증가시킬 수 있습니다.
   • 모든 출력을 훈련 데이터와 독립적으로 만듭니다.
3. 2017년 원본 Shokri et al. 공격에 의존?
   • 그라데이션 클리핑
   • 그림자 모델
   • 빔 검색
   • 토큰화
4. 기록의 내용을 공개하지 않고도 회원 추론이 해로울 수 있는 이유는 무엇입니까?
   • 모델 속도가 느려집니다.
   • 모델의 가중치를 변경합니다.
   • 학습 데이터를 삭제합니다.
   • 회원 자체가 진단 등 민감한 사실을 공개할 수 있습니다.
5. 언급된 LiRA 접근 방식을 단일 순진한 손실 임계값과 구별하는 보정은 무엇입니까?
   • 모든 기록에 동일한 고유 난이도가 있다는 보장
   • 발생온도만 높아져
   • 내부 및 외부 모델에서 추정된 예시별 점수 분포
   • 대상이 전체 교육 데이터 세트를 공개해야 한다는 요구 사항
6. 적절하게 지정된 차등 개인 정보 보호 보장의 범위는 무엇입니까?
   • 인접한 데이터 세트 간의 출력 확률 변화
   • 어떤 공격도 정확한 추측을 할 수 없다는 보장
   • 모든 모델 출력의 필수 삭제
   • 트레이닝 폴더에 있는 파일의 원시 개수만
7. 공격으로 인해 실제 비회원 1,000명 중 10명이 회원으로 잘못 표시되었습니다. 비회원에 대한 오탐률은 얼마나 됩니까?
   • 10%
   • 0.1%
   • 100%
   • 1%
8. LiRA 논문이 낮은 위양성 비율과 참양성 비율을 강조하는 이유는 무엇입니까?
   • 정의에 따라 거짓 긍정은 불가능합니다.
   • 평균 정확도는 자신있게 표시된 기록이 신뢰할 수 있는 회원 증거인지 여부를 숨길 수 있습니다.
   • 모든 회원 및 비회원 모집단의 규모는 동일해야 합니다.
   • 모델의 훈련 정확도는 공격 정확도를 직접적으로 제공합니다.