Gids-gekoppelde quiz · Moeilijk Niveau
Differentiële privacyquiz
Oefen met differentiële privacygevoeligheid, compositie en DP-SGD, inclusief waarom formele grenzen voor privacyverlies verschillen van beloften dat ze niet uit het hoofd worden geleerd.
Vraag 1 van 8
For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- 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
- Wat onderscheidt het ‘lokale’ model van differentiële privacy van het ‘centrale’ model?
- Lokaal vereist een volledig vertrouwde centrale curator
- Local gebruikt helemaal geen geluid
- Lokale werken alleen op afbeeldingen
- Lokaal voegt ruis toe op het apparaat van elke persoon voordat de gegevens verdwijnen
- Waar wordt 'gevoeligheid' voor gebruikt bij het kalibreren van ruis?
- Meten hoeveel de gegevens van één persoon het resultaat van een zoekopdracht kunnen veranderen
- Het aantal kolommen in een tabel tellen
- Hardwaretemperatuur detecteren
- Een lettertype voor het rapport kiezen
- Waarom wordt voor elke nieuwe zoekopdracht een 'privacybudget' uitgegeven?
- Query's kosten geld per rij
- Privacyverlies stapelt zich op in meerdere analyses
- De dataset krimpt bij elke zoekopdracht
- Budgetten gaan alleen over opslaglimieten
- 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
- A count query includes each person at most once. Under adding or removing one person, what is its sensitivity?
- Eén
- The entire number of database columns
- Zero because it is a count
- The model’s hidden dimension
- 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