Gids-gekoppelde quiz · Middelmatig Niveau

Quiz over lidmaatschapsinferentieaanvallen

Bestudeer de gevolgtrekkingen van trainingslidmaatschap, met schaduwmodellen, LiRA-kalibratie, differentiële privacygrenzen, valse positieven en aanvalsevaluatie.

Vraag 1 van 8

Wat probeert een lidmaatschapsinferentieaanval vast te stellen?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat probeert een lidmaatschapsinferentieaanval vast te stellen?
    • Of een specifiek record deel uitmaakte van de trainingsset
    • De nauwkeurigheid van het model
    • De architectuur van het model
    • De grootte van de testset
  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. Welke techniek heeft de originele Shokri et al. uit 2017 gebruikt? aanval vertrouwen?
    • Verloop knippen
    • Schaduwmodellen
    • Straal zoeken
    • Tokenisatie
  4. Waarom kan lidmaatschapsgevolgtrekking schadelijk zijn, zelfs zonder de inhoud van het dossier te onthullen?
    • Het vertraagt het model
    • Het verandert de gewichten van het model
    • Het verwijdert trainingsgegevens
    • Het lidmaatschap zelf kan gevoelige feiten onthullen, zoals een diagnose
  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