稳定数据自由模型提取
机器学习
2025-09-16 v1
摘要
模型提取是 Machine Learning-as-a-Service 系统面临的严重威胁，尤其是通过数据自由方法，仇恶用户可在不访问真实数据的情况下复制黑箱目标模型的功能。尽管近期取得的进展，但现有的数据自由模型提取方法存在替代模型准确率振荡的问题。这种振荡可归因于攻击期间生成数据分布不断变化导致的持续偏移，使得在没有目标模型分布数据的情况下无法确定最优替代模型。因此，我们提出了 MetaDFME（一种新型数据自由模型提取方法），通过在生成器训练中采用元学习技术，以减少分布偏移，旨在缓解替代模型准确率的振荡。具体而言，我们训练生成器以迭代捕获合成数据的元表征，这些元表征经过少量步骤即可适配，以产生有助于替代模型从目标模型学习的数据，同时减少分布偏移的影响。我们在流行的基准图像数据集上进行实验，包括 MNIST、SVHN、CIFAR-10 和 CIFAR-100，结果表明 MetaDFME 在当前最先进的数据自由模型提取方法之上，表现更佳，且在攻击期间替代模型准确率更为稳定。
引用
@article{arxiv.2509.11159,
title = {Stabilizing Data-Free Model Extraction},
author = {Dat-Thinh Nguyen and Kim-Hung Le and Nhien-An Le-Khac},
journal= {arXiv preprint arXiv:2509.11159},
year = {2025}
}
备注
28th European Conference on Artificial Intelligence (ECAI-2025)