重拾被遗忘的成员身份：未学习的模型可作为噪声标签器泄露隐私

机器不可学习（Machine Unlearning, MU）技术促进请求时从训练好的模型中移除特定数据实例的影响。尽管 MU 技术取得了快速的进展，但其漏洞仍在未得到充分探索，潜在通过泄露表面上已遗忘信息而引发隐私泄露。当前有限的 MU 攻击研究需要访问包含隐私数据的原始模型，这违反了 MU 的关键隐私保护目标。为解决这一差距，我们首次创新性地研究了从未学习的模型（ULMs）中记忆被遗忘的类别成员身份，而无需访问原始模型。具体而言，我们实现了一个记忆攻击（Membership Recall Attack, MRA）框架，采用教师-学生知识蒸馏架构，其中 ULMs 充当噪声标签器将知识传递给学生模型。然后，这被转化为带噪声标签的学习（Learning with Noisy Labels, LNL）问题，用于推断遗忘实例的正确标签。在多个真实数据集上对最先进的 MU 方法进行大量实验，结果表明所提出的 MRA 策略在恢复未学习实例的类别成员身份方面具有高度效能。因此，我们的研究和评估为未来研究 MU 漏洞建立了基准。