深度学习模型逆向攻击与防御：综合综述
密码学与安全
2025-05-01 v2
摘要
深度学习的快速普及带来了巨大效益，但也催生了严重的安全漏洞，尤其是模型逆向攻击 (MI)，对个人数据的隐私与完整性构成重大威胁。随着这些攻击在生物识别、医疗保健和金融等领域的日益普及，亟需理解其机制、影响及防御方法。本综述旨填补文献中的空白，提供结构化且深入的 MI 攻击与防御策略综述。我们的贡献包括 MI 攻击的系统分类、对攻击技术与防御机制的广泛研究，以及对该不断演变领域中挑战与未来研究方向的讨论。通过探讨 MI 攻击的技术与伦理影响，本综述旨为 AI 系统对隐私、安全与信任的影响提供洞见。本综述配套开发了综合性资源库支持 MI 攻击与防御研究。资源库包含最新研究论文、数据集、评估指标及其他资源，满足初学者和经验丰富的研究者以及更广泛 AI 安全与隐私领域的需求。该资源库将持续维护以确保其相关性与实用性。访问地址：https://github.com/overgter/Deep-Learning-Model-Inversion-Attacks-and-Defenses。
引用
@article{arxiv.2501.18934,
title = {Deep Learning Model Inversion Attacks and Defenses: A Comprehensive Survey},
author = {Wencheng Yang and Song Wang and Di Wu and Taotao Cai and Yanming Zhu and Shicheng Wei and Yiying Zhang and Xu Yang and Zhaohui Tang and Yan Li},
journal= {arXiv preprint arXiv:2501.18934},
year = {2025}
}
备注
2 figures, 56 pages