模仿式成员推理攻击
密码学与安全
2026-01-13 v3 机器学习
摘要
成员推理攻击（Membership Inference Attack, MIA）通过确定特定查询实例是否属于训练集，来评估目标机器学习模型在多大程度上泄露了其训练数据信息。最先进的MIA依赖于训练数百个独立于目标模型的影子模型，这导致了显著的计算开销。在本文中，我们引入了模仿式成员推理攻击（Imitative Membership Inference Attack, IMIA），它采用一种新颖的模仿训练技术，策略性地构建少量目标感知的模仿模型，以紧密复制目标模型的行为进行推理。广泛的实验结果表明，IMIA在各种攻击设置下均显著优于现有的MIA，同时所需的计算成本不到最先进方法的5%。
引用
@article{arxiv.2509.06796,
title = {Imitative Membership Inference Attack},
author = {Yuntao Du and Yuetian Chen and Hanshen Xiao and Bruno Ribeiro and Ninghui Li},
journal= {arXiv preprint arXiv:2509.06796},
year = {2026}
}
备注
Accepted by USENIX Security Symposium 2026. Code is available at: https://github.com/zealscott/IMIA