赢得MIDST挑战：面向表格数据合成的新型成员推断攻击
机器学习
2025-03-18 v1 人工智能
密码学与安全
摘要
基于扩散模型的表格数据合成因其在数据实用性与隐私保护之间的潜在平衡而受到广泛关注。然而，现有隐私评估常依赖启发式指标或弱成员推断攻击（Membership Inference Attack, MIA），导致隐私风险评估不足。本文对基于扩散方法的表格合成进行严格的MIA研究，发现面向图像模型设计的先进攻击在该领域下效应不佳。我们识别出噪声初始化是影响攻击效果的关键因素，并提出一种基于机器学习的方法，利用不同噪声和时间步长中的损失特征。我们的 метод采用轻量级MLP实现，有效学习成员信号，无需手动优化。来自MIDST挑战 @ SaTML 2025的实验结果表明，我们的方法有效，夺得了该挑战所有轨道的冠军。代码已公开于 https://github.com/Nicholas0228/Tartan_Federer_MIDST。
引用
@article{arxiv.2503.12008,
title = {Winning the MIDST Challenge: New Membership Inference Attacks on Diffusion Models for Tabular Data Synthesis},
author = {Xiaoyu Wu and Yifei Pang and Terrance Liu and Steven Wu},
journal= {arXiv preprint arXiv:2503.12008},
year = {2025}
}