Викторина, связанная с руководством · Жесткий Уровень

Тест на дифференциальную конфиденциальность

Практикуйте дифференцированную чувствительность к конфиденциальности, состав и DP-SGD, в том числе, почему формальные границы потери конфиденциальности отличаются от обещаний не запоминать.

Связанные направляющие путиДифференциальная конфиденциальность
Вопрос 1 из 8

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

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  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. Что отличает «локальную» модель дифференциальной конфиденциальности от «центральной» модели?
    • Local требует полностью доверенного центрального куратора
    • Местный вообще никогда не использует шум
    • Локально работает только с изображениями
    • Local добавляет шум на устройстве каждого человека перед отправкой данных
  4. Для чего используется «чувствительность» при калибровке шума?
    • Измерение того, насколько данные одного человека могут изменить результат запроса.
    • Подсчет количества столбцов в таблице
    • Определение температуры оборудования
    • Выбор шрифта для отчета
  5. Почему каждый новый запрос тратится из «бюджета конфиденциальности»?
    • Запросы стоят денег за строку
    • Потеря конфиденциальности накапливается в ходе нескольких анализов
    • Набор данных сжимается с каждым запросом
    • Бюджеты касаются только ограничений хранилища.
  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?
    • Один
    • 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