某些目标比其他目标更难识别：量化依赖目标的成员泄露

在成员推断（MI）游戏中，攻击者试图推断目标点是否包含在算法的输入中。现有研究表明，某些目标点更容易被识别，而另一些则更难。本文通过研究固定目标 MI 游戏中最优攻击的能力，解释了依赖目标的成员攻击难度。我们根据目标点与数据生成分布之间的马氏距离，刻画了针对经验均值的攻击的最优优势和权衡函数。我们进一步推导了两种隐私防御措施（即添加高斯噪声和子采样）以及目标指定错误对最优攻击的影响。作为我们对似然比（LR）检验新颖分析的副产品，我们提出了一种新的协方差攻击，该攻击推广并改进了标量积攻击。此外，我们提出了一种新的最优金丝雀选择策略，用于在白盒联邦学习设置中审计隐私。我们的实验验证了马氏分数解释了固定目标 MI 游戏的难度。