Вікторина, пов’язана з посібником · важко Рівень

Диференціальна вікторина конфіденційності

Практикуйте диференціальну чутливість конфіденційності, композицію та DP-SGD, зокрема, чому формальні межі втрати конфіденційності відрізняються від обіцянок про відсутність запам’ятовування.

Пов'язані напрямні шляхиДиференціальна конфіденційність
Питання 1 з 8

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

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  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. Що відрізняє «локальну» модель диференційованої конфіденційності від «центральної» моделі?
    • Місцевому потрібен повністю довірений центральний куратор
    • Місцеві жителі взагалі ніколи не шумлять
    • Local працює тільки на зображеннях
    • Local додає шум на пристрої кожного користувача перед відправленням даних
  4. Для чого використовується «чутливість» під час калібрування шуму?
    • Вимірювання того, наскільки дані однієї людини можуть змінити результат запиту
    • Підрахунок кількості стовпців у таблиці
    • Визначення температури обладнання
    • Вибір шрифту для звіту
  5. Чому кожен новий запит витрачає «бюджет конфіденційності»?
    • Запити коштують грошей за рядок
    • Втрата конфіденційності накопичується під час кількох аналізів
    • Набір даних зменшується з кожним запитом
    • Бюджети стосуються лише обмежень пам’яті
  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