arXiv论文重审表格数据成员推断攻击隐私漏洞

发生了什么

据arXiv cs.LG论文《SoK：重新思考表格机器学习中的成员推断攻击与隐私漏洞》，现有评估多聚焦高维数据集，忽视了中小规模表格数据的隐私行为。研究提出新分类法，评估四种先进攻击在不同表格数据集和模型架构下的表现。结果显示，类别粒度较高且多数类占比大的数据集更易受攻击；高级攻击高度依赖对目标模型的对抗性知识，而无需参考模型的攻击也能取得统计上可比的结果。此外，具有独特签名的记录（single-outs）即使在应用常见防御措施后仍高度脆弱，表明当前防御虽降低平均泄露，但未能充分保护最敏感个体。