基于高斯过程元模型化的训练数据成员推断：一种后验分析方法
机器学习
2025-10-28 v1 人工智能
摘要
成员推断攻击（MIA）测试某个数据点是否属于模型的训练集，构成严重的隐私风险。现有方法常依赖影子模型或大量查询访问，限制了实际应用。我们提出 GP-MIA，一种基于高斯过程（GP）元模型化的高效且可解释的方法。利用后验指标（如准确率、熵、数据集统计信息）以及可选灵敏度特征（如梯度、NTK 测度）从单个训练好的模型中提取信息，GP-MIA 通过训练 GP 分类器来区分成员与非成员，同时提供校准的不确定性估计。在合成数据、真实世界的欺诈检测数据、CIFAR-10 和 WikiText-2 上的实验表明，GP-MIA 在准确率和可推广性方面均表现出色，为现有 MIA 方法提供了实用替代方案。
引用
@article{arxiv.2510.21846,
title = {Training data membership inference via Gaussian process meta-modeling: a post-hoc analysis approach},
author = {Yongchao Huang and Pengfei Zhang and Shahzad Mumtaz},
journal= {arXiv preprint arXiv:2510.21846},
year = {2025}
}
备注
10 pages