MIA-EPT：面向表格数据的基于误差预测的成员推理攻击
密码学与安全
2025-10-07 v2 人工智能
摘要
合成数据生成在促进数据共享方面发挥着重要作用，尤其是在医疗健康和金融等敏感领域。扩散模型的最新进展使得生成逼真、高质量的表格数据成为可能，但它们也可能记忆训练记录并泄露敏感信息。成员推理攻击 (MIA) 通过判断一条记录是否被用于训练来利用这一漏洞。尽管 MIA 已在图像和文本领域得到研究，但针对表格扩散模型的攻击仍探索不足，尽管存在结构化属性和有限记录多样性的独特风险。本文介绍了 MIA-EPT，即面向表格数据的基于误差预测的成员推理攻击，这是一种专门针对表格扩散模型设计的新型黑盒攻击。MIA-EPT 通过掩码和重建目标记录的属性来构建基于误差的特征向量，根据这些属性被预测的准确程度来揭示成员信号。MIA-EPT 无需访问生成模型的内部组件，仅依赖其合成数据输出，并已被证明能泛化到多个最先进的扩散模型。我们在三个基于扩散的合成器上验证了 MIA-EPT，在内部测试中取得了高达 0.599 的 AUC-ROC 分数和 22.0% 的 TPR@10% FPR 值。在 MIDST 2025 竞赛条件下，MIA-EPT 在黑盒多表赛道中获得了第二名（TPR@10% FPR = 20.0%）。这些结果表明，我们的方法能够发现合成表格数据中大量的成员信息泄露，挑战了合成数据具有固有隐私保护性的假设。我们的代码已在 https://github.com/eyalgerman/MIA-EPT 上公开。
引用
@article{arxiv.2509.13046,
title = {MIA-EPT: Membership Inference Attack via Error Prediction for Tabular Data},
author = {Eyal German and Daniel Samira and Yuval Elovici and Asaf Shabtai},
journal= {arXiv preprint arXiv:2509.13046},
year = {2025}
}