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.

Gerelateerde gidspadenDifferentiële privacy
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.

  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. 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
  4. 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
  5. 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
  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?
    • Eén
    • 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