利用对抗性缺失性攻击探索缺失数据补救策略
机器学习
2025-11-18 v2
摘要
对抗性缺失性（Adversarial Missing, AM）攻击旨在通过精心设计缺失数据问题来操控模型拟合，从而实现特定的恶意目标。AM 攻击与先前的数据投毒攻击有显著不同：它们不插入恶意数据，也不对数据进行恶意扰动。当前的 AM 攻击仅在假设模型人（受害者）使用完整信息最大似然方法处理缺失性的情况下才可实现。这项工作旨在弥补 AM 攻击的这一限制；在本文所采取的ethods 中，攻击者通过求解双层优化问题来工程化对抗性缺失性机制，其中下层问题包含针对所针对的缺失性补救技术的可微近似。作为本框架的实例，提供了针对三种流行技术的 AM 攻击：(i) 完整案例分析，(ii) 均值插补，以及 (iii) 针对一般经验风险最小化（ERM）问题的回归-based 插补。针对真实数据的实验表明，AM 攻击在较低缺失水平（小于20%）下即可成功。此外，我们在真实世界的 Twins 数据集上表明，AM 攻击可作为一般 ERM 问题的实例来操控估计的平均处理效应（ATE）：攻击者不仅成功地反转了符号，还将 ATE 从真实值 -1.61% substantial地 inflate 到高达 10% 的操控值。即使 ATE 使用具有不同体系结构的多种回归-based 估计器进行计算，这些实验结果也仍然成立，当攻击者仅被限制在修改训练数据的子集时。
引用
@article{arxiv.2409.04407,
title = {Exploiting Missing Data Remediation Strategies using Adversarial Missingness Attacks},
author = {Deniz Koyuncu and Alex Gittens and Bülent Yener and Moti Yung},
journal= {arXiv preprint arXiv:2409.04407},
year = {2025}
}