主动成员推断测试 (aMINT)：通过多任务学习增强模型可审计性
计算机视觉与模式识别
2025-09-10 v1 人工智能
摘要
主动成员推断测试 (aMINT) 是一种用于检测给定数据是否被用于机器学习模型训练的方法。在主动 MINT 中，我们提出了一种新颖的多任务学习过程，涉及同时训练两个模型：原始模型（或被审计模型）和一个辅助模型，称为 MINT 模型，负责识别用于训练被审计模型的数据。这种新颖的多任务学习方法旨在将模型的可审计性作为神经网络训练过程中的优化目标。所提出的方法将中间激活图作为 MINT 层的输入，这些 MINT 层经过训练以增强对训练数据的检测能力。我们在广泛范围的神经网络上展示了结果，从较轻的架构如 MobileNet 到更复杂的架构如 Vision Transformers，在 5 个公开基准数据集上进行了评估。我们提出的主动 MINT 在检测给定数据是否用于训练方面实现了超过 80% 的准确率，显著优于文献中的先前方法。我们的 aMINT 及相关的方法学发展有助于提高 AI 模型的透明度，促进 AI 部署中更强的保障措施，以实现适当的安全性、隐私保护和版权保护。
引用
@article{arxiv.2509.07879,
title = {Active Membership Inference Test (aMINT): Enhancing Model Auditability with Multi-Task Learning},
author = {Daniel DeAlcala and Aythami Morales and Julian Fierrez and Gonzalo Mancera and Ruben Tolosana and Javier Ortega-Garcia},
journal= {arXiv preprint arXiv:2509.07879},
year = {2025}
}
备注
In Proc. IEEE/CVF Intenational Conference on Computer Vision, ICCV, 2025