从头到尾：基于长尾学习的高效黑盒模型反演攻击
密码学与安全
2025-03-21 v1
摘要
模型反演攻击旨在从模型中重建私有训练数据，导致隐私泄露，特别是在人脸识别系统中。尽管许多研究提高了白盒 MIA 的有效性，但较少有研究关注在攻击者能力受限的情况下提高效率和效用。现有的黑盒 MIA 需要不切实际的查询次数，产生显著的开销。因此，我们分析了现有 MIA 的局限性，并引入了基于代理模型的带长尾增强反演（SMILE），这是一种面向黑盒设置的高分辨率导向且查询高效的 MIA。我们首先从数据分布的角度分析了 MIA 的初始化，并提出了一种长尾代理训练方法以获得高质量的初始点。然后，我们通过采用 NGOpt 选择的无梯度黑盒优化算法来增强攻击的有效性。我们的实验表明，SMILE 优于现有的 SOTA 黑盒 MIA，同时仅需约 5% 的查询开销。
引用
@article{arxiv.2503.16266,
title = {From Head to Tail: Efficient Black-box Model Inversion Attack via Long-tailed Learning},
author = {Ziang Li and Hongguang Zhang and Juan Wang and Meihui Chen and Hongxin Hu and Wenzhe Yi and Xiaoyang Xu and Mengda Yang and Chenjun Ma},
journal= {arXiv preprint arXiv:2503.16266},
year = {2025}
}
备注
Accepted to CVPR 2025