Test de confidențialitate diferențială

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

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. Ce diferențiază modelul „local” de intimitate diferențială de modelul „central”?
   • Local necesită un curator central de încredere
   • Localul nu folosește niciodată zgomot
   • Local funcționează numai pe imagini
   • Local adaugă zgomot pe dispozitivul fiecărei persoane înainte ca datele să dispară
4. La ce se folosește „sensibilitatea” la calibrarea zgomotului?
   • Măsurând cât de mult datele unei persoane pot modifica rezultatul unei interogări
   • Numărarea numărului de coloane dintr-un tabel
   • Detectarea temperaturii hardware
   • Alegerea unui font pentru raport
5. De ce cheltuiește fiecare interogare nouă dintr-un „buget de confidențialitate”?
   • Interogările costă bani pe rând
   • Pierderea confidențialității se acumulează în mai multe analize
   • Setul de date se micșorează cu fiecare interogare
   • Bugetele sunt doar despre limitele de stocare
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?
   • Unul
   • 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