速報
最後層表示揭露:單樣本 MIA 曝光度評估與槓桿分解
近期隱私研究指出樣本定向會員推斷攻擊(MIA)顯著提升揭露風險。這項工作提出以最後層表示為基礎的單樣本暴露分數,並在線性情況下把個別風險解析為人口槓桿得分與殘差損失兩部分,明確連結幾何結構與隱私暴露。
速報
近期隱私研究指出樣本定向會員推斷攻擊(MIA)顯著提升揭露風險。這項工作提出以最後層表示為基礎的單樣本暴露分數,並在線性情況下把個別風險解析為人口槓桿得分與殘差損失兩部分,明確連結幾何結構與隱私暴露。
深度分析
研究針對表格擴散模型的隱私外洩風險進行系統性量測與實驗。採用先進會員推斷攻擊(白盒與黑盒)評估多種訓練與生成設置,並分析訓練步數、資料規模、擴散步數與合成量等因子對外洩的影響。比較距離到最近紀錄等啟發式隱私量測與實際攻擊成效,結果顯示攻擊在知識或運算受限下仍具效力,且多數啟發式指標無法可靠預測風險。