私有 GAN 与扩散模型在 MIA �漏洞之间的差距分析
机器学习
2025-09-04 v1 人工智能
摘要
生成对抗网络（GAN）和扩散模型已成为高质量图像合成的领先方法。虽然两者都可在差分隐私（DP）下进行训练以保护敏感数据，但它们对成员推断攻击（MIA）的敏感性——即数据保密的关键威胁——仍不为人所了解。本文提供了对差分私有生成模型所面临隐私风险的首次统一理论与实证分析。我们通过基于稳定性的分析表明，GAN 在数据扰动方面具有根本性的低敏感性，表明其在抵抗 MIA 方面具有结构性优势。随后，我们通过使用标准化 MIA 管道对隐私泄露进行全面实证研究，评估不同数据集和隐私预算下的隐私风险。我们的结果一致显示，即使在强 DP 条件下，GAN 也在隐私鲁棒性上显著优于扩散模型，表明模型类型本身对隐私泄露具有决定性影响。
引用
@article{arxiv.2509.03341,
title = {On the MIA Vulnerability Gap Between Private GANs and Diffusion Models},
author = {Ilana Sebag and Jean-Yves Franceschi and Alain Rakotomamonjy and Alexandre Allauzen and Jamal Atif},
journal= {arXiv preprint arXiv:2509.03341},
year = {2025}
}