TAMIS：针对合成数据的定制化成员推断攻击
机器学习
2025-11-13 v2 机器学习
摘要
成员推断攻击（MIA）可用于经验性地评估机器学习算法的隐私。本文提出了TAMIS，这是一种针对依赖图模型的差分隐私合成数据生成方法的新型MIA。该攻击建立在最近发布的SOTA方法MAMA-MIA之上。它降低了计算成本，要求较少的攻击者知识。我们的攻击源于两方面的改进：首先，我们仅利用生成的合成数据集恢复生成其中的图模型，而不是对辅助数据集进行阴影建模。这证明更具成本效益且更高效。其次，我们引入了更为严谨的攻击得分，为二元预测提供了自然的阈值。在我们的实验中，TAMIS在SNAKE挑战的复制品上实现了与MAMA-MIA相同或更好的性能。
引用
@article{arxiv.2504.00758,
title = {TAMIS: Tailored Membership Inference Attacks on Synthetic Data},
author = {Paul Andrey and Batiste Le Bars and Marc Tommasi},
journal= {arXiv preprint arXiv:2504.00758},
year = {2025}
}
备注
Accepted at ECML PKDD 2025 (Research Track). First published in Lecture Notes in Computer Science (LNAI), volume 16017, pp 203-220, in 2025 by Springer Nature. Version of Record: https://doi.org/10.1007/978-3-032-06096-9_12 This expanded version includes appendices that detail experimental results