ممبرشپ انفرنس اٹیک کوئز

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

1. رکنیت کا اندازہ لگانے والا حملہ کیا تعین کرنے کی کوشش کر رہا ہے؟
   • آیا کوئی مخصوص ریکارڈ ٹریننگ سیٹ کا حصہ تھا۔
   • ماڈل کی درستگی
   • ماڈل کا فن تعمیر
   • ٹیسٹ سیٹ کا سائز
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. اصل 2017 شوکری وغیرہ نے کون سی تکنیک کی؟ حملے پر انحصار کرتے ہیں؟
   • تدریجی تراشنا
   • شیڈو ماڈلز
   • بیم کی تلاش
   • ٹوکنائزیشن
4. ریکارڈ کے مواد کو ظاہر کیے بغیر بھی رکنیت کا اندازہ کیوں نقصان دہ ہو سکتا ہے؟
   • یہ ماڈل کو سست کرتا ہے۔
   • یہ ماڈل کے وزن کو تبدیل کرتا ہے۔
   • یہ تربیتی ڈیٹا کو حذف کرتا ہے۔
   • ممبرشپ خود حساس حقائق کا انکشاف کر سکتی ہے، جیسے کہ تشخیص
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