深度分析
「MADreMIA」：鏈式再生成提升跨模態生成式 AI 會員推斷攻擊效能的隱私稽核框架
隨著生成式 AI 快速擴張，資料隱私與版權審核需求激增。研究提出 MADreMIA 框架，利用鏈式再生成放大成員訊號，跨視覺、語言與音訊模型皆可應用。實驗顯示在低誤報率下可顯著提升成員與非成員區分，為隱私稽核提供更可靠工具。此技術預計將促進生成式 AI 的合規開發，並引發對模型可解釋性與濫用防護的討論。
會員推斷攻擊
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。
深度分析
表格擴散模型隱私風險實測：以 ClavaDDPM 與會員推斷攻擊揭示關鍵因子
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。