关于表格扩散模型中的隐私泄露：影响因素、攻击者知识与度量指标
机器学习
2026-05-11 v1 人工智能
摘要
表格数据在许多领域和行业中扮演着重要角色，包括那些具有较高隐私考量和风险的领域。因此，人们对生成高质量的真实表格数据合成代理以降低隐私风险和专有数据暴露的兴趣日益浓厚。鉴于表格扩散模型在合成此类数据方面展现出领先的性能，理解和衡量与这些模型相关的隐私风险势在必行。利用黑盒和白盒设置下针对 TDMs 的最先进成员推理攻击，本研究量化了训练设置、合成选择和攻击者知识对隐私泄露的影响。此外，结果表明，对手无需拥有对训练设置的完美知识、相同的数据分布或庞大的计算资源即可构建成功的攻击。最后，揭示了应用启发式隐私度量指标（如到最近记录的距离）相关的陷阱。
引用
@article{arxiv.2605.06835,
title = {On Privacy Leakage in Tabular Diffusion Models: Influential Factors, Attacker Knowledge, and Metrics},
author = {Masoumeh Shafieinejad and D. B. Emerson and Behnoosh Zamanlooy and Elaheh Bassak and Fatemeh Tavakoli and Sara Kodeiri and Marcelo Lotif and Xi He},
journal= {arXiv preprint arXiv:2605.06835},
year = {2026}
}
备注
23 pages, 11 Figures, 12 Tables