实体
RMIA
RMIA
PulseAugur coverage of RMIA — every cluster mentioning RMIA across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新方法无需参考模型即可估算人工智能模型隐私风险
研究人员开发了一种新方法，可以在无需训练单独参考模型的情况下估算人工智能模型对成员推理攻击（MIA）的脆弱性。该方法分析目标模型本身的损失分布，识别与攻击成功相关的特定统计代理。研究结果表明，模型存在一个脆弱性连续体，不同的损失分布形状表明哪个代理最适合估算隐私风险。
-
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。
-
新方法通过语义相关性追踪 AI 模型训练数据
研究人员开发了一种名为 idSCD 的新方法来识别用于训练 AI 模型的特定数据集。该技术分析模型学到的语义相关性结构，寻找特定于数据集而非对任务有因果关系的偶然规律。idSCD 方法提供了一种白盒语义指纹识别方法，可以区分匹配和不匹配的数据集对，在各种分类任务中优于现有的黑盒和白盒基线。