新框架统一隐私攻击，引入贝叶斯方法

研究人员已将三种主要的成员推断攻击（MIA）——LiRA、RMIA 和 BASE——统一到一个单一的指数族对数似然比框架下。这种统一揭示了模型复杂性的层级，将 RMIA 和 LiRA 连接为端点。该研究还引入了 BaVarIA，一种贝叶斯方差推断攻击，旨在解决小影子模型预算下的性能瓶颈。BaVarIA 在各种测试平台和预算下均提供稳定的性能，尤其是在低影子模型和离线场景中，其表现优于 LiRA。 AI

影响 这项研究提供了对隐私攻击的统一理解，并引入了一种更强大的模型隐私审计方法，有可能改进安全实践。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习隐私的新理论框架和攻击方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• BaVarIA
• Carlini et al.
• Lassila et al.
• LiRA
• Rickard Brännvall
• RMIA
• Zarifzadeh et al.

• 论文
• 安全

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