DiMEx：基于潜在扩散先验突破数据自由模型提取的冷启动问题
计算机视觉与模式识别
2026-01-06 v1 人工智能
摘要
模型窃取攻击构成了机器学习即服务 (MLaaS) 的现存威胁，允许对手以极低的训练成本复制专有模型。尽管数据自由模型提取 (DFME) 已成为潜在的攻击向量，但其仍受制于“冷启动”问题：基于 GAN 的攻击者在从随机噪声收敛到有意义数据方面浪费数千次查询。我们提出 DiMEx 框架，动用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 次查询内即可实现 52.1% 的一致性，显著优于最先进的 GAN 基线提高了 16% 以上。为对抗这一高度语义化威胁，我们引入混合状态性集合 (HSE) 防御机制，识别潜在空间攻击的独特“优化轨迹”。我们的实验结果表明，尽管 DiMEx 能规避静态分布检测器，但 HSE 利用这一时序特征将攻击成功率压制至 21.6%，且几乎无额外延迟。
引用
@article{arxiv.2601.01687,
title = {FALCON: Few-Shot Adversarial Learning for Cross-Domain Medical Image Segmentation},
author = {Abdur R. Fayjie and Pankhi Kashyap and Jutika Borah and Patrick Vandewalle},
journal= {arXiv preprint arXiv:2601.01687},
year = {2026}
}
备注
20 pages, 6 figures, 7 tables