CLMIA：基于无监督对比学习的成员推理攻击
机器学习
2024-11-19 v1 人工智能
密码学与安全
摘要
由于机器学习模型通常在有限的数据集上训练，模型会在同一数据样本上多次训练，导致模型记忆大部分训练集数据。成员推理攻击利用这一特性来判断数据样本是否用于训练机器学习模型。然而，在现实场景中，攻击者很难获得足够多标记了准确身份信息的合格样本，尤其是在实际应用中大多数样本是非成员。为解决这一限制，本文提出了一种名为CLMIA的新攻击方法，该方法使用无监督对比学习来训练攻击模型，无需使用额外的成员状态信息。同时，在CLMIA中，我们仅需少量已知成员状态的数据来微调攻击模型。实验结果表明，对于不同的数据集和模型结构，CLMIA的性能优于现有攻击方法，尤其是在标记身份信息较少的数据上。此外，我们通过实验发现，攻击效果因成员和非成员数据中标记身份信息比例的不同而有所差异。更多分析证明，我们的攻击方法在标记身份信息较少时表现更好，这更适用于现实场景。
引用
@article{arxiv.2411.11144,
title = {CLMIA: Membership Inference Attacks via Unsupervised Contrastive Learning},
author = {Depeng Chen and Xiao Liu and Jie Cui and Hong Zhong},
journal= {arXiv preprint arXiv:2411.11144},
year = {2024}
}