面向音乐扩散模型的成员推断攻击：基于生成流形扰动
声音
2026-02-03 v1
摘要
成员推断攻击（MIA）测试特定音频剪辑是否用于训练模型，因而是审计生成式音乐模型版权合规性的关键工具。然而，基于损失的信号（如重构误差）在实际操作中与人类感知对齐度较弱，导致在 forensics 所需的低假阳性率（FPR）下分离性差。我们提出了 Latent Stability Adversarial Probe（LSA-Probe），一种白箱方法，通过测量逆扩散的几何属性来量化：在扩散过程的中间状态下，为跨越固定感知降解阈值所需的最小时间归一化扰动预算。我们展示，训练成员因位于更稳定的区域， exhibits 显著更高的降解成本。
引用
@article{arxiv.2602.01645,
title = {Membership Inference Attack Against Music Diffusion Models via Generative Manifold Perturbation},
author = {Yuxuan Liu and Peihong Zhang and Rui Sang and Zhixin Li and Yizhou Tan and Yiqiang Cai and Shengchen Li},
journal= {arXiv preprint arXiv:2602.01645},
year = {2026}
}