SoK：表格数据成员推理攻击的挑战
机器学习
2026-01-23 v1
摘要
成员推理攻击（MIA）目前是评估机器学习应用隐私性的主要方法。尽管它们在识别属于训练数据集的记录方面具有重要意义，但仍有一些问题尚未被探索，尤其是在表格数据方面。本文首先对考虑集中式和联邦式两种主要学习范式的 MIA 进行了广泛的回顾与分析。我们扩展并细化了这两者的分类法。其次，我们使用多种攻击策略（包括防御策略）展示了 MIA 在表格数据上的有效性。此外，在联邦学习场景中，我们考虑了常被忽视的外部攻击者带来的威胁。第三，我们证明了单例（具有唯一签名的记录）对 MIA 的高度脆弱性。最后，我们探讨了 MIA 如何在不同模型架构间迁移。我们的结果表明，这些攻击在表格数据上的表现普遍较差，这与先前的最先进水平形成对比。值得注意的是，即使攻击性能有限，仍能成功暴露大部分单例。此外，我们的发现表明，使用不同的代理模型会使 MIA 更有效。
引用
@article{arxiv.2601.15874,
title = {SoK: Challenges in Tabular Membership Inference Attacks},
author = {Cristina Pêra and Tânia Carvalho and Maxime Cordy and Luís Antunes},
journal= {arXiv preprint arXiv:2601.15874},
year = {2026}
}
备注
This paper is currently under review for the EuroS&P conference