MIBench：用于评估模型反演攻击与防御的综合框架

模型反演 (MI) 攻击旨在利用目标模型的输出信息来重建隐私敏感的训练数据，引发了关于深度神经网络 (DNN) 隐私漏洞的关键关注。不幸的是，尽管 MI 攻击快速发展，但缺乏具有标准化指标和可复现实现的综合基准已成为巨大挑战。这一缺陷阻碍了方法学进展的客观比较和防御有效性的可靠评估。为解决这一关键性空白，我们构建了第一个实用基准，命名为 MIBench，用于系统评估模型反演攻击和防御。该基准基于一个可扩展且可复现的模块化工具箱，目前集成了 19 种最先进的攻击和防御方法，并包含 9 种标准化评估协议。依托这一基础，我们从多个角度进行大规模评估，以全面比较和分析不同方法在不同情景下的表现，例如目标分辨率、模型预测能力、防御性能和对抗鲁棒性等方面的影响。