LeakBoost：基于感知损失的感知损失型成员推断攻击
人工智能
2026-02-06 v1
摘要
成员推断攻击 (MIA) 旨在确定样本是否为模型训练集的一部分，构成现代机器学习系统的严重隐私风险。现有 MIA 主要依赖静态指标，如损失或置信度，未充分利用模型在主动探测时的动态行为。我们提出 LeakBoost，一个基于感知损失的探针框架，通过主动探测模型的内部表示来暴露隐藏的成员信号。给定候选输入，LeakBoost 通过优化感知 (激活空间) 目标来综合一个探针图像，从而放大成员和非成员之间的表示差异。该图像然后由即插即用的成员探测器分析，无需修改探测器本身。在与现有成员推断方法结合使用时，LeakBoost 在多个图像分类数据集和多样化神经网络架构上在低假阳性率处实现显著提升。特别是，AUC 从接近机率水平 (0.53-0.62) 提升至 0.81-0.88，T 处的 FPR 提升了一个数量级。详细的灵敏度分析揭示，更深的层和短的、低学习率的优化产生最强的泄漏，改进集中在基于梯度的探测器上。LeakBoost 提供了一种模块化且计算高效的方法，用于评估白盒设置下的隐私风险，推动了动态成员推断研究的发展。
引用
@article{arxiv.2602.05748,
title = {LeakBoost: Perceptual-Loss-Based Membership Inference Attack},
author = {Amit Kravchik Taub and Fred M. Grabovski and Guy Amit and Yisroel Mirsky},
journal= {arXiv preprint arXiv:2602.05748},
year = {2026}
}