窃取机器学习中的超参数

超参数在机器学习中至关重要，因为不同的超参数常常导致性能差异显著的模型。由于其商业价值以及学习器用于学习它们的专有算法的机密性，超参数可被视为机密信息。在这项工作中，我们提出了针对窃取由学习器学习到的超参数的攻击。我们将我们的攻击称为超参数窃取攻击。我们的攻击适用于多种流行的机器学习算法，如岭回归、逻辑回归、支持向量机和神经网络。我们从理论和经验两方面评估了攻击的有效性。例如，我们在 Amazon Machine Learning 上评估了我们的攻击。我们的结果表明，我们的攻击能够准确地窃取超参数。我们还研究了对策。我们的结果凸显了针对某些机器学习算法需要新的防御来抵御我们的超参数窃取攻击。