面向白鲸个体判别的成员推断攻击
计算机视觉与模式识别
2023-03-01 v1
摘要
为了高效监测特定野生动物种群的增长与演化，动物生态学中的一个主要基本挑战是对先前已遇到的个体进行再识别，以及判别已知与未知个体（即所谓的“开集问题”），后者是再识别之前需完成的第一步。具体而言，本工作关注白鲸数字照片中的个体判别，由于缺乏显著特征，白鲸已知是判别难度最高的海洋物种之一。为应对该问题，我们提出了一种基于成员推断攻击（Membership Inference Attacks, MIAs）的新方法，MIAs 通常用于评估发布特定机器学习模型所带来的隐私风险。更确切地说，我们证明了利用当前最先进的 MIA 方法可高效解决已知与未知个体的判别问题。在三个白鲸相关基准数据集、两种不同神经网络架构和三种 MIA 上的大量实验清楚地展示了该方法性能。此外，我们还设计了一种新的 MIA 策略，称之为集成 MIA（ensemble MIA），其结合不同 MIA 的输出来提升攻击准确率同时降低假阳性率。总体而言，我们的主要目标之一也是表明隐私攻击研究亦可“向善”，助力解决动物生态学中的实际挑战。
引用
@article{arxiv.2302.14769,
title = {Membership Inference Attack for Beluga Whales Discrimination},
author = {Voncarlos Marcelo Araújo and Sébastien Gambs and Clément Chion and Robert Michaud and Léo Schneider and Hadrien Lautraite},
journal= {arXiv preprint arXiv:2302.14769},
year = {2023}
}
备注
15 pages