针对扩散模型的基于分数的成员推断
机器学习
2026-04-27 v2 计算机视觉与模式识别
摘要
针对扩散模型的成员推断攻击通过揭示某个样本是否属于训练集而引发了紧迫的隐私问题。虽然现有方法通常依赖于在多个去噪步骤中测量重建误差作为检验统计量，但它们往往会产生显著的计算开销。在这项工作中，我们提出了一个简单但有效的攻击统计量，仅使用来自DM去噪器的预测噪声向量，或等价地，分数。具体而言，我们表明预期的去噪器输出指向附近训练样本的核加权局部均值，使得其范数编码了与训练集的接近程度，从而揭示成员身份。基于这一观察，我们提出了SimA，一种单查询攻击，为现有的多查询方法提供了一种有原则且高效的替代方案。SimA在八种不同数据集上的DM和潜在扩散模型变体中均取得了优越的性能。其Monte Carlo变体在所有实验中均展现出最先进的性能，在TPR@1%FPR指标上显著优于基线方法。这些结果表明，复杂的重建轨迹对于有效的成员推断并非必要，从而确立了SimA作为审计DM和LDM隐私的高效基准。
引用
@article{arxiv.2509.25003,
title = {Score-based Membership Inference on Diffusion Models},
author = {Mingxing Rao and Bowen Qu and Daniel Moyer},
journal= {arXiv preprint arXiv:2509.25003},
year = {2026}
}