用于临床时间序列预测中防止成员推断攻击的嵌入空间数据增强
机器学习
2025-11-10 v1
摘要
在涉及电子健康记录（EHR）的时间序列预测（TSF）任务中，平衡强隐私保障与高预测性能至关重要。本研究探索数据增强如何缓解时间序列预测模型上的成员推断攻击（MIA）。我们表明，通过使用合成数据重新训练，可显著降低基于损失的 MIAs 的有效性，通过降低攻击者的真阳性率对假阳性率的比率来实现。关键挑战在于生成与原始训练数据逼近相似的合成样本，以混淆攻击者，同时又引入足够的新颖性，以增强模型对未见数据的泛化能力。我们检查了多种数据增强策略——零阶优化（ZOO）、受主成分分析（PCA）约束的 ZOO 变体（ZOO-PCA），以及 MixUp ——以在不牺牲准确性的前提下增强模型的韧性。我们的实验结果表明，ZOO-PCA 能在不牺牲测试数据性能的前提下，为 MIAs attack 减少 TPR/FPR 比率效果最佳。
引用
@article{arxiv.2511.05289,
title = {Embedding-Space Data Augmentation to Prevent Membership Inference Attacks in Clinical Time Series Forecasting},
author = {Marius Fracarolli and Michael Staniek and Stefan Riezler},
journal= {arXiv preprint arXiv:2511.05289},
year = {2025}
}
备注
Accepted as a proceedings paper at Machine Learning for Health (ML4H) symposium 2025, December 1-2, 2025, San Diego, United States, 15 pages