基于扩散模型的合成表格数据的成员推断攻击
密码学与安全
2025-10-21 v1 人工智能
机器学习
摘要
本研究探讨了基于扩散方法生成的合成表格数据所面临的隐私风险，重点关注其对成员推断攻击（MIA）的易受性。我们检视了两种近期模型，TabDDPM 和 TabSyn，通过开发基于步级误差比较方法的查询式MIA来进行分析。我们的发现表明，TabDDPM 对这些攻击更为脆弱，而 TabSyn 则对 our attack models 具有较强的抵抗力。我们的工作凸显了评估扩散模型隐私影响的重要性，并鼓励进一步研究面向合成数据生成的稳健隐私保护机制。
引用
@article{arxiv.2510.16037,
title = {Membership Inference over Diffusion-models-based Synthetic Tabular Data},
author = {Peini Cheng and Amir Bahmani},
journal= {arXiv preprint arXiv:2510.16037},
year = {2025}
}