慎用标签平滑：其可成隐私护盾，亦可为模型反演攻击之催化剂

标签平滑——使用软标签替代硬标签——是一种被广泛采用的深度学习正则化方法，展现出诸如增强泛化与校准等多样益处。然而，其对模型隐私保护的影响此前未被探索。为填补此空白，我们研究了标签平滑对模型反演攻击（MIAs）的影响，该类攻击旨在通过利用分类器中编码的知识生成类代表性样本，从而推断其训练数据中的敏感信息。通过广泛分析，我们发现传统标签平滑会助长MIAs，从而增加模型的隐私泄露。更进一步，我们揭示带有负因子的平滑可逆转此趋势，阻碍类相关信息的提取并导致隐私保护，优于最先进的防御方法。这确立了增强模型抵御MIAs韧性的一种实用且强大的新途径。