成員推論攻擊

深度分析

子族群層面公平增強演算法與差分隱私效應分析：機器學習模型的隱私風險評估

機器學習在醫療、執法與金融等敏感領域需兼顧效能、公平與隱私。研究改編LikelihoodRatioAttack以子族群審核，揭示不同公平增強方法對成員推論風險的影響，發現隱私風險並非一致上升，且差異受模型結構、子族群大小與差分隱私配置左右。