时间序列预测中的隐私风险：用户级与记录级成员推断
机器学习
2026-02-13 v2
摘要
成员推断攻击旨在确定特定数据是否被用于训练模型。尽管该攻击在分类模型上已被广泛研究，但其对时间序列预测的影响在很大程度上仍未被探索。我们通过引入两种新攻击来填补这一空白：将多变量 LiRA（一种最初为分类模型开发的最先进的 MIA）适配到时间序列预测场景；以及一种名为深度时间序列攻击的新型端到端学习方法。我们将这些方法与从分类场景适配而来的其他领先攻击的变体进行了基准测试。我们在现实场景下针对 TUH-EEG 和 ELD 数据集，在记录级和用户级威胁模型下，以 LSTM 和最先进的 N-HiTS 两种强预测架构为攻击目标，评估了所有攻击。结果表明，预测模型存在脆弱性，用户级攻击通常能实现完美检测。所提出的方法在多种场景下取得了最强性能，为时间序列预测中的隐私风险评估确立了新基准。此外，脆弱性随预测期变长和训练群体变小而增加，这与大语言模型中观察到的趋势一致。
引用
@article{arxiv.2509.04169,
title = {Privacy Risks in Time Series Forecasting: User- and Record-Level Membership Inference},
author = {Nicolas Johansson and Tobias Olsson and Daniel Nilsson and Johan Östman and Fazeleh Hoseini},
journal= {arXiv preprint arXiv:2509.04169},
year = {2026}
}