Приклади суперництва та тест на надійність

Відповіді та пояснення з’являються під час виконання тесту.

1. Under a specified threat model, what is an adversarial example?
   • An input crafted to cause a model error using changes allowed by that threat model
   • Any ordinary prediction error on unmodified input
   • An input that must contain tiny, imperceptible pixel changes
   • A model update that improves accuracy on every distribution
2. Що відрізняє атаку «білого ящика» від атаки «чорного ящика»?
   • Атаки білої скриньки працюють лише на білих зображеннях
   • У білому ящику зловмисник має доступ до внутрішніх елементів/градієнтів моделі; у чорному ящику, лише виходи
   • Атаки чорної скриньки завжди швидше
   • Атаки білої скриньки не потребують обчислень
3. FGSM (метод швидкого градієнтного знака) створює змагальний приклад за допомогою...
   • Довільне перемішування пікселів
   • Перенавчання моделі з нуля
   • Зробити крок у напрямку знака градієнта втрат відносно входу
   • Обрізання зображення
4. What is adversarial training commonly used for?
   • Guaranteeing robustness to every possible attack
   • Proving a classifier is fair
   • Eliminating all clean-data errors
   • Improving robustness against the adversarial threat model represented during training
5. Чому «передаваність» змагальних прикладів викликає занепокоєння?
   • Атака, створена на одній моделі, часто вводить в оману інші моделі, уможливлюючи атаки чорної скриньки
   • Це змушує моделей тренуватися повільніше
   • Це збільшує витрати на зберігання
   • Це стосується лише моделей аудіо
6. How are prompt-injection attacks related to image adversarial examples?
   • They are identical bounded pixel perturbations
   • Both exploit model vulnerabilities, but prompt injection has a distinct instruction and system threat model
   • Prompt injection requires changing model weights
   • Image adversarial examples only affect text prompts
7. Why must an adversarial-robustness report specify the perturbation norm and budget?
   • They determine the model’s number of parameters
   • They guarantee transfer to every attack
   • They define which input changes the reported robustness claim covers
   • They replace the need to state an attacker’s access
8. Which pair of measures helps distinguish clean performance from performance under a specified attack?
   • Training-set size and GPU memory
   • Tokenization rate and context length
   • Model file size and parameter dtype
   • Clean accuracy and robust accuracy under the stated attack setting