TransMIA：利用迁移影子训练的成员推断攻击

迁移学习已被广泛研究并日益普及，它通过迁移不同训练中获得的一些知识来提高机器学习模型的准确率。然而，此前没有工作指出迁移学习可以加强对机器学习模型的隐私攻击。在本文中，我们提出 TransMIA（基于迁移学习的成员推断攻击），当攻击者能够访问迁移后模型的参数时，利用迁移学习对源模型执行成员推断攻击。特别地，我们提出一种迁移影子训练技术，攻击者利用迁移后模型的参数来构建影子模型，从而在攻击者仅有有限影子训练数据的情况下显著提升成员推断的性能。我们使用两个真实数据集评估我们的攻击，并表明我们的攻击优于不使用我们迁移影子训练技术的最先进方法。我们还比较了基于学习/基于熵的方法与微调/冻结方法的四种组合，它们均采用我们的迁移影子训练技术。然后我们基于置信度值的分布考察这四种方法的性能，并讨论针对我们攻击的可能对策。