泛化与成员推理攻击：实践视角
机器学习
2026-04-23 v1 人工智能
摘要
随着成员推理攻击(MIA)新评估指标和攻击方法的出现，重新评估先前接受的假设变得至关重要。在本文中，我们采用实证方法重新审视了关于MIA成功率与模型泛化之间相关性的长期争论。我们专注于采用数据增强技术和早停来增强模型泛化，并考察了它们对MIA成功率的影响。我们发现，利用先进的泛化技术可以显著降低攻击性能，降幅可能高达100倍。此外，组合使用这些方法不仅提高了模型泛化能力，还通过在训练期间引入随机性降低了攻击有效性。另外，我们的研究通过在受控环境中对超过1K个模型的分析，证实了泛化对MIA性能的直接影响。
引用
@article{arxiv.2604.19936,
title = {Generalization and Membership Inference Attack a Practical Perspective},
author = {Fateme Rahmani and Mahdi Jafari Siavoshani and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2604.19936},
year = {2026}
}