تفریق رازداری کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

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. فرق پرائیویسی کے 'مقامی' ماڈل کو 'مرکزی' ماڈل سے کیا فرق کرتا ہے؟
   • مقامی کو مکمل طور پر قابل اعتماد مرکزی کیوریٹر کی ضرورت ہوتی ہے۔
   • مقامی لوگ کبھی بھی شور کا استعمال نہیں کرتے ہیں۔
   • مقامی کام صرف تصاویر پر ہوتا ہے۔
   • مقامی ڈیٹا چھوڑنے سے پہلے ہر شخص کے آلے پر شور ڈالتا ہے۔
4. شور کیلیبریٹ کرتے وقت 'حساسیت' کس چیز کے لیے استعمال ہوتی ہے؟
   • اس بات کی پیمائش کرنا کہ ایک شخص کا ڈیٹا استفسار کے نتیجے کو کتنا بدل سکتا ہے۔
   • ٹیبل میں کالموں کی تعداد گننا
   • ہارڈ ویئر کے درجہ حرارت کا پتہ لگانا
   • رپورٹ کے لیے فونٹ کا انتخاب
5. ہر نیا سوال 'پرائیویسی بجٹ' سے کیوں خرچ کرتا ہے؟
   • سوالات کی قیمت فی قطار رقم ہوتی ہے۔
   • رازداری کا نقصان متعدد تجزیوں میں جمع ہوتا ہے۔
   • ڈیٹاسیٹ ہر سوال کے ساتھ سکڑ جاتا ہے۔
   • بجٹ صرف اسٹوریج کی حدود کے بارے میں ہیں۔
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?
   • ایک
   • 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