PulseAugur
中
实时 23:22:14
English(EN) LoMime: Query-Efficient Membership Inference using Model Extraction in Label-Only Settings

新的LoMime方法实现了对ML模型的有效隐私攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为LoMime的新方法，用于对机器学习模型执行成员推理攻击（MIA），即使在仅有标签访问的情况下也是如此。该方法利用模型提取，即训练一个代理模型来模仿目标模型的行为。通过使用主动采样和合成数据，LoMime显著降低了通常与仅标签MIA相关的查询成本，以一小部分查询实现了与最先进方法相当的准确性。该框架已在表格数据集上证明了有效性，并有望扩展到用于图像识别的深度神经网络。 AI

影响 引入了一种更有效的ML模型隐私攻击方法，可能影响未来的防御策略。

排序理由 详细介绍成员推理攻击新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LoMime方法实现了对ML模型的有效隐私攻击

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Abdullah Caglar Oksuz, Anisa Halimi, Erman Ayday ·

    LoMime: Query-Efficient Membership Inference using Model Extraction in Label-Only Settings

    arXiv:2602.18934v2 Announce Type: replace Abstract: Membership inference attacks (MIAs) threaten the privacy of machine learning models by revealing whether a specific data point was used during training. Existing MIAs often rely on impractical assumptions, such as access to publ…

相关话题