查询核方法足以重构其训练数据
机器学习
2025-05-27 v1
摘要
过参数化模型引发了关于其潜在是否能够记忆训练数据的担忧，尽管在实现强大的泛化能力方面取得了良好效果。然而，这种记忆的隐私含义通常不清晰，尤其是在仅可访问模型输出的情况下。在本文中，我们研究了这个问题，针对核方法进行实证和理论分析，表明通过在various points查询核模型足以重构其训练数据，甚至无需访问模型参数。我们的结果适用于包括核回归、支持向量机和核密度估计等多种核方法。我们希望本工作能够为此类模型潜在的隐私问题提供启示。
引用
@article{arxiv.2505.19019,
title = {Querying Kernel Methods Suffices for Reconstructing their Training Data},
author = {Daniel Barzilai and Yuval Margalit and Eitan Gronich and Gilad Yehudai and Meirav Galun and Ronen Basri},
journal= {arXiv preprint arXiv:2505.19019},
year = {2025}
}