面向时序模型的成员推断攻击

分析包含个人信息的时序数据（尤其在医疗领域）存在严重隐私风险。患者的敏感健康数据常被用于训练诊断和持续护理的机器学习模型。评估此类模型的隐私风险对于决定是否在生产环境中使用或与第三方共享模型至关重要。成员推断攻击（MIA）是此类评估的关键方法，但时序预测模型在此方面研究不足。我们探讨现有 MIA 技术在时序模型上的应用，引入新特征，聚焦数据中的季节性与趋势成分。季节性通过多变量傅里叶变换估计，低阶多项式用于近似趋势。我们将这些技术应用于各种时序模型，使用医疗领域的数据集。结果表明，这些新特征显著提升了 MIA 在识别成员方面的效果，增进了对医疗数据应用隐私风险的理解。