Quiz połączony z przewodnikiem · Ciężko Poziom

Quiz dotyczący prywatności różnicowej

Przećwicz zróżnicowaną wrażliwość na prywatność, kompozycję i DP-SGD, w tym dlaczego formalne granice utraty prywatności różnią się od obietnic braku zapamiętywania.

Powiązane ścieżki prowadzącePrywatność różnicowa
Pytanie 1 z 8

For otherwise comparable differential-privacy mechanisms, what does a smaller epsilon specify?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  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. Co odróżnia „lokalny” model zróżnicowanej prywatności od modelu „centralnego”?
    • Lokalność wymaga w pełni zaufanego centralnego kuratora
    • Lokalny nigdy nie używa żadnego hałasu
    • Lokalnie działa tylko na obrazach
    • Lokalnie dodaje szum na urządzeniu każdej osoby przed opuszczeniem danych
  4. Do czego służy „czułość” podczas kalibracji szumu?
    • Pomiar, jak bardzo dane jednej osoby mogą zmienić wynik zapytania
    • Liczenie liczby kolumn w tabeli
    • Wykrywanie temperatury sprzętu
    • Wybór czcionki raportu
  5. Dlaczego każde nowe zapytanie kosztuje z „budżetu prywatności”?
    • Zapytania kosztują za wiersz
    • Utrata prywatności kumuluje się w wyniku wielu analiz
    • Zbiór danych zmniejsza się przy każdym zapytaniu
    • Budżety dotyczą wyłącznie limitów miejsca na dane
  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?
    • Jeden
    • 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