实用的贝叶斯最优成员推理攻击
机器学习
2025-10-29 v2 密码学与安全
摘要
我们针对独立同分布（i.i.d.）数据和图结构数据开发了实用且有理论基础的成员推理攻击（MIA）。基于 Sablayrolles 等人的贝叶斯决策理论框架，我们推导出了针对图神经网络的节点级 MIA 的贝叶斯最优成员推理规则，解决了图设置中关于最优查询策略的关键开放性问题。我们引入了 BASE 和 G-BASE，它们是贝叶斯最优成员推理的可处理近似。与先前提出的基于分类器的节点级 MIA 攻击相比，G-BASE 取得了更优的性能。BASE 同样适用于非图数据，以显著更低的计算成本匹配或超越了先前 SOTA 的 MIA（如 LiRA 和 RMIA）的性能。最后，我们表明在特定的超参数设置下 BASE 和 RMIA 是等价的，为 RMIA 攻击提供了有原则的、贝叶斯最优的证明。
引用
@article{arxiv.2505.24089,
title = {Practical Bayes-Optimal Membership Inference Attacks},
author = {Marcus Lassila and Johan Östman and Khac-Hoang Ngo and Alexandre Graell i Amat},
journal= {arXiv preprint arXiv:2505.24089},
year = {2025}
}
备注
In NeurIPS 2025, 10 pages plus 15 pages of appendices