Вікторина, пов’язана з посібником · Середній Рівень

Тест про атаки на визначення членства

Вивчіть висновок про членство в навчанні з тіньовими моделями, калібруванням LiRA, диференціальними межами конфіденційності, помилковими спрацьовуваннями та оцінкою атак.

Пов'язані напрямні шляхиАтаки з визначення членства
Питання 1 з 8

Що намагається визначити атака на приналежність?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що намагається визначити атака на приналежність?
    • Чи був певний запис частиною навчального набору
    • Точність моделі
    • Архітектура моделі
    • Розмір тестового набору
  2. How can overfitting affect membership-inference exposure in studied models?
    • It proves every training record is identifiable with certainty
    • It removes the need to evaluate attack errors
    • It can increase the behavioral difference between members and comparable nonmembers
    • It makes all outputs independent of training data
  3. Яку техніку використовував оригінальний 2017 Shokri et al. атака спиратися на?
    • Градієнтне обрізання
    • Тіньові моделі
    • Променевий пошук
    • Токенізація
  4. Чому висновок про членство може бути шкідливим навіть без розкриття вмісту запису?
    • Це уповільнює модель
    • Він змінює вагу моделі
    • Він видаляє дані навчання
    • Саме членство може розкривати делікатні факти, наприклад діагноз
  5. What calibration distinguishes the cited LiRA approach from a single naive loss threshold?
    • A guarantee that every record has the same inherent difficulty
    • Only an increased generation temperature
    • Per-example score distributions estimated from in and out models
    • A requirement that the target reveal its entire training dataset
  6. What does a properly specified differential-privacy guarantee bound?
    • Changes in output probabilities between neighboring datasets
    • A guarantee that no attack can ever make any correct guess
    • A mandatory deletion of all model outputs
    • Only the raw number of files in a training folder
  7. An attack incorrectly flags 10 of 1,000 actual nonmembers as members. What is its false-positive rate on those nonmembers?
    • 10%
    • 0.1%
    • 100%
    • 1%
  8. Why does the LiRA paper emphasize true-positive rate at low false-positive rates?
    • False positives are impossible by definition
    • Average accuracy can conceal whether confidently flagged records are reliable membership evidence
    • Every member and nonmember population must have identical sizes
    • The model’s training accuracy directly gives attack precision