谁惧怕托马斯·贝叶斯？

在许多情况下，神经网络在测试数据上表现良好，但往往高估其在分布外数据上的置信度。这促使了贝叶斯神经网络的采用，其能更好地捕捉不确定性，从而更准确地反映模型的置信度。对机器学习安全研究者而言，这自然引出一个问题：使模型贝叶斯化会如何影响模型的安全性。本工作中，我们探究贝叶斯化与两项安全性度量——模型隐私与对抗鲁棒性——之间的相互作用。我们证明，贝叶斯神经网络总体上更易受到成员推断攻击，但至少在其非贝叶斯对应模型面前，对对抗样本具有同等的鲁棒性。