DiMEx：通过潜在扩散先验突破数据自由模型提取的冷启动问题
机器学习
2026-01-13 v2
摘要
模型窃取攻击构成机器学习即服务（MLaaS）的现存威胁，允许对手以极低的训练成本复制其专有模型。虽然数据自由模型提取（DFME）已成为一种隐蔽的攻击向量，但其仍受制于"冷启动"问题：基于GAN的对手在从随机噪声收敛到有意义数据方面会浪费数千个查询。我们提出了DiMEx框架，武装化预训练潜在扩散模型的丰富语义先验，以完全规避此初始化障碍。通过在生成器的潜在空间中采用随机嵌入贝叶斯优化（REMBO），DiMEx能够立即合成高保真查询，在仅2000个查询即可实现52.1%的SVHN一致性——以碳基GAN基线超出16个百分点。为对抗这一高度语义化威胁，我们引入了混合有状态集合（Hybrid Stateful Ensemble, HSE）防御措施，识别潜在空间攻击的独特"优化轨迹"。我们的结果表明，尽管DiMEx能规避静态分布检测器，HSE却利用这一时序特征将攻击成功率压制至21.6%，并几乎不增加延迟。
引用
@article{arxiv.2601.01688,
title = {DiMEx: Breaking the Cold Start Barrier in Data-Free Model Extraction via Latent Diffusion Priors},
author = {Yash Thesia and Meera Suthar},
journal= {arXiv preprint arXiv:2601.01688},
year = {2026}
}
备注
8 pages, 3 figures, 4 tables