Chameleon：利用自适应投毒增强仅标签成员泄露

机器学习（ML）在众多关键应用中的集成给提供数据集用于模型训练的个人带来了一系列隐私担忧。其中一种隐私风险是成员推断（MI），攻击者试图确定特定数据样本是否包含在模型的训练数据集中。当前最先进的 MI 攻击利用对模型预测置信度分数的访问来成功执行成员推断，并采用数据投毒进一步增强其有效性。在本文中，我们关注较少被探索且更现实的仅标签设定，即模型仅提供查询样本的预测标签。我们表明，现有的仅标签 MI 攻击在低假阳性率（FPR）情形下推断成员关系时效果不佳。为应对这一挑战，我们提出一种新攻击 Chameleon，其利用新颖的自适应数据投毒策略与高效的查询选择方法，相比现有仅标签攻击实现了显著更精确的成员推断，尤其在低 FPR 下。