级联与代理成员推理攻击
摘要
成员推理攻击（MIA）通过判断特定查询实例是否包含在训练数据集中，评估训练后的机器学习模型对其训练数据的泄露程度。我们将现有MIA分为自适应和非自适应两类，区别在于攻击者是否被允许在成员查询上训练影子模型。
在自适应设置中，攻击者可以在访问查询实例后训练影子模型。我们强调了利用实例间成员依赖关系的重要性，并提出了一种攻击无关的框架——级联成员推理攻击（CMIA）。该框架通过条件影子训练整合成员依赖关系，从而提升成员推理性能。
在非自适应设置中，攻击者仅限于在获取成员查询之前训练影子模型。我们引入了代理成员推理攻击（PMIA）。PMIA采用代理选择策略，识别与查询实例行为相似的样本，并利用它们在影子模型中的行为进行成员后验概率测试，以实现成员推理。
我们为两种攻击提供了理论分析，大量实验结果表明，CMIA和PMIA在两种设置下均显著优于现有MIA方法，尤其是在低误报率场景下，这对评估隐私风险至关重要。
代码可用性
我们的代码可在以下链接获取：https://github.com/example/code
学科分类
- 密码学与安全（cs.CR）
- 机器学习（cs.LG）
引用信息
arXiv: 2507.21412 [cs.CR]
DOI: https://doi.org/10.48550/arXiv.2507.21412
提交历史
- 提交日期: 2025年7月29日
- 版本: v1
- 作者: Yuntao Du 等8位作者
全文链接
相关工具与资源
- Bibliographic Explorer: 探索相关文献
- Connected Papers: 查找关联论文
- Litmaps: 文献图谱可视化
- scite.ai: 智能引文分析
代码、数据与媒体
- alphaXiv: 获取附加资源
- CatalyzeX: 代码查找工具
- DagsHub: 数据与代码托管
- Hugging Face: 模型与数据集
- Papers with Code: 论文与代码关联
演示与实验
- Replicate: 复现实验
- Hugging Face Spaces: 在线演示
- TXYZ.AI: 交互式分析
致谢
本研究感谢Simons基金会、成员机构及所有贡献者的支持。