論文の概要: Pseudo Label-Guided Model Inversion Attack via Conditional Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2302.09814v1
• Date: Mon, 20 Feb 2023 07:29:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 16:29:35.429902
• Title: Pseudo Label-Guided Model Inversion Attack via Conditional Generative Adversarial Network
• Title（参考訳）: 条件付き生成逆ネットワークによる擬似ラベル誘導モデル反転攻撃
• Authors: Xiaojian Yuan, Kejiang Chen, Jie Zhang, Weiming Zhang, Nenghai Yu, Yang Zhang
• Abstract要約: モデル反転(MI)攻撃はプライバシーに対する懸念を高めている。 近年のMI攻撃では,探索空間を狭める前にGAN(Generative Adversarial Network)を画像として活用している。 我々は条件付きGAN(cGAN)による擬似ラベル誘導MI(PLG-MI)攻撃を提案する。
• 参考スコア（独自算出の注目度）: 102.21368201494909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model inversion (MI) attacks have raised increasing concerns about privacy, which can reconstruct training data from public models. Indeed, MI attacks can be formalized as an optimization problem that seeks private data in a certain space. Recent MI attacks leverage a generative adversarial network (GAN) as an image prior to narrow the search space, and can successfully reconstruct even the high-dimensional data (e.g., face images). However, these generative MI attacks do not fully exploit the potential capabilities of the target model, still leading to a vague and coupled search space, i.e., different classes of images are coupled in the search space. Besides, the widely used cross-entropy loss in these attacks suffers from gradient vanishing. To address these problems, we propose Pseudo Label-Guided MI (PLG-MI) attack via conditional GAN (cGAN). At first, a top-n selection strategy is proposed to provide pseudo-labels for public data, and use pseudo-labels to guide the training of the cGAN. In this way, the search space is decoupled for different classes of images. Then a max-margin loss is introduced to improve the search process on the subspace of a target class. Extensive experiments demonstrate that our PLG-MI attack significantly improves the attack success rate and visual quality for various datasets and models, notably, 2~3 $\times$ better than state-of-the-art attacks under large distributional shifts. Our code is available at: https://github.com/LetheSec/PLG-MI-Attack.
• Abstract（参考訳）: モデルインバージョン(MI)攻撃は、パブリックモデルからトレーニングデータを再構築できるプライバシーに対する懸念が高まっている。 実際、mi攻撃は特定の空間内のプライベートデータを求める最適化問題として形式化することができる。 最近のMI攻撃では、探索空間を狭める前にGAN(generative adversarial network)を画像として利用し、高次元データ(例えば顔画像)でさえも再構成できる。 しかし、これらの生成的MI攻撃はターゲットモデルの潜在能力を十分に活用していないため、あいまいで結合した検索空間、すなわち、画像の異なるクラスが検索空間に結合される。 さらに、これらの攻撃で広く使用されるクロスエントロピー損失は勾配の消失に苦しむ。 これらの問題に対処するために,条件付きGAN(cGAN)を介してPseudo Label-Guided MI(PLG-MI)攻撃を提案する。 まず、公開データに擬似ラベルを提供するためのトップn選択戦略を提案し、cGANのトレーニングを誘導するために擬似ラベルを使用する。 このようにして、検索空間は異なるクラスの画像に対して分離される。 次に、最大マージン損失を導入し、対象クラスのサブスペースにおける検索プロセスを改善する。 大規模な実験により、我々のPLG-MI攻撃は様々なデータセットやモデルの攻撃成功率と視覚的品質を著しく向上させることが示された。 私たちのコードは、https://github.com/LetheSec/PLG-MI-Attack.comで利用可能です。

関連論文リスト

• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Susceptibility of Adversarial Attack on Medical Image Segmentation Models [0.0]
  我々は,MRIデータセット上で訓練したセグメンテーションモデルに対する敵攻撃の効果について検討した。 医療画像のセグメンテーションモデルは、実際に敵の攻撃に対して脆弱であることがわかった。 トレーニングで使用するものと異なる損失関数を用いることで,高い敵攻撃効果が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-20T12:52:20Z)
• Rethinking Model Inversion Attacks With Patch-Wise Reconstruction [7.264378254137811]
  モデルインバージョン(MI)攻撃は、ターゲットモデルの重みからリバースエンジニアリングによってトレーニングデータセットを推測または再構成することを目的としている。 我々は,MI攻撃の確率論的解釈を提供するジグソーパズルにインスパイアされたPatch-MI法を提案する。 Patch-MIは従来の手法に比べてTop 1攻撃精度を5%向上することを示す。
  論文  参考訳（メタデータ） (2023-12-12T07:52:35Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Knowledge-Enriched Distributional Model Inversion Attacks [49.43828150561947]
  モデルインバージョン(MI)攻撃は、モデルパラメータからトレーニングデータを再構成することを目的としている。 本稿では,パブリックデータからプライベートモデルに対する攻撃を行うのに役立つ知識を抽出する,新しい反転型GANを提案する。 実験の結果,これらの手法を組み合わせることで,最先端MI攻撃の成功率を150%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-10-08T16:20:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。