論文の概要: Re-aligning Shadow Models can Improve White-box Membership Inference Attacks

• arxiv url: http://arxiv.org/abs/2306.05093v1
• Date: Thu, 8 Jun 2023 10:52:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 14:55:52.834728
• Title: Re-aligning Shadow Models can Improve White-box Membership Inference Attacks
• Title（参考訳）: シャドウモデルの再調整は、ホワイトボックスメンバーシップ推論攻撃を改善する
• Authors: Ana-Maria Cretu, Daniel Jones, Yves-Alexandre de Montjoye, Shruti Tople
• Abstract要約: 機械学習モデルは、トレーニングデータセットに関する機密情報を漏洩することが示されている。 パラメータへのホワイトボックスアクセスは、モデルへのクエリアクセスのみを提供するブラックボックス設定とは対照的に、攻撃面を増加させる。 ターゲットモデルとシャドウモデルの間の測定ミスアライメントを著しく低減する再アライメント手法を示す。
• 参考スコア（独自算出の注目度）: 8.480935935540206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models have been shown to leak sensitive information about their training datasets. As models are being increasingly used, on devices, to automate tasks and power new applications, there have been concerns that such white-box access to its parameters, as opposed to the black-box setting which only provides query access to the model, increases the attack surface. Directly extending the shadow modelling technique from the black-box to the white-box setting has been shown, in general, not to perform better than black-box only attacks. A key reason is misalignment, a known characteristic of deep neural networks. We here present the first systematic analysis of the causes of misalignment in shadow models and show the use of a different weight initialisation to be the main cause of shadow model misalignment. Second, we extend several re-alignment techniques, previously developed in the model fusion literature, to the shadow modelling context, where the goal is to re-align the layers of a shadow model to those of the target model.We show re-alignment techniques to significantly reduce the measured misalignment between the target and shadow models. Finally, we perform a comprehensive evaluation of white-box membership inference attacks (MIA). Our analysis reveals that (1) MIAs suffer from misalignment between shadow models, but that (2) re-aligning the shadow models improves, sometimes significantly, MIA performance. On the CIFAR10 dataset with a false positive rate of 1\%, white-box MIA using re-aligned shadow models improves the true positive rate by 4.5\%.Taken together, our results highlight that on-device deployment increase the attack surface and that the newly available information can be used by an attacker.
• Abstract（参考訳）: 機械学習モデルは、トレーニングデータセットに関する機密情報を漏洩することが示されている。 モデルが、タスクを自動化し、新しいアプリケーションを動かすために、デバイス上でますます使われているため、モデルへのクエリアクセスのみを提供するブラックボックス設定とは対照的に、そのようなホワイトボックスによるパラメータへのアクセスが攻撃面を増加させるという懸念がある。 シャドウモデリング技術をブラックボックスからホワイトボックス設定へ直接拡張することは、一般にブラックボックスのみの攻撃よりもうまく機能しないことを示す。 重要な理由は、ディープニューラルネットワークの既知の特徴である不一致である。 本稿では,影モデルにおける不一致の原因を初めて体系的に解析し,異なる重み初期化が影モデル不一致の原因となることを示す。 第2に,これまでにモデル融合文献で開発されたいくつかの再調整手法をシャドウモデリングコンテキストに拡張し,シャドウモデルの層を対象モデルと再調整することを目的として,ターゲットモデルとシャドウモデル間の不一致を著しく低減する再調整手法を提案する。 最後に,white-box member inference attack (mia)の包括的評価を行った。 分析の結果,(1)MIAは影モデル間のミスアライメントに悩まされるが,(2)影モデルの再アライメントにより,MIAの性能が向上することがわかった。 CIFAR10データセットの偽陽性率1\%では、並べ替えシャドウモデルを用いたホワイトボックスMIAにより、真の正レートが4.5\%向上する。 その結果,デバイス上での配置が攻撃面を増加させ,新たに利用可能な情報を攻撃者が利用できることが強調された。

関連論文リスト

• DREAM: Domain-free Reverse Engineering Attributes of Black-box Model [51.37041886352823]
  ブラックボックス対象モデルの属性をドメインに依存しないリバースエンジニアリングの新しい問題を提案する。 対象のブラックボックスモデルの属性を未知のトレーニングデータで推測するために,ドメインに依存しないモデルを学ぶ。
  論文  参考訳（メタデータ） (2023-07-20T16:25:58Z)
• Learning Physical-Spatio-Temporal Features for Video Shadow Removal [42.95422940263425]
  データ駆動型ビデオシャドウ除去モデルであるedNetを提案する。 具体的には、複雑な照明テクスチャを持つシーンに適用可能な局所照明推定を行うために、専用の物理的ブランチが設けられた。 シャドウビデオと組み合わせたデータセットの欠如に対処するため、シャドウのスイッチを制御することで、人気のあるゲームGTAVの助けを借りてデータセットを合成する。
  論文  参考訳（メタデータ） (2023-03-16T14:55:31Z)
• l-Leaks: Membership Inference Attacks with Logits [5.663757165885866]
  我々はターゲットモデルへのブラックボックスアクセスに基づく攻撃を提示する。 ターゲットモデルのロジットを学習し、ターゲットモデルとよりよく似たシャドーモデルを構築することにより、シャドーモデルを構築する。
  論文  参考訳（メタデータ） (2022-05-13T06:59:09Z)
• How to Robustify Black-Box ML Models? A Zeroth-Order Optimization Perspective [74.47093382436823]
  入力クエリと出力フィードバックだけでブラックボックスモデルを堅牢化する方法? 我々は,ブラックボックスモデルに適用可能な防御操作の一般的な概念を提案し,それを復号化スムーシング(DS)のレンズを通して設計する。 我々は,ZO-AE-DSが既存のベースラインよりも精度,堅牢性,クエリの複雑さを向上できることを実証的に示す。
  論文  参考訳（メタデータ） (2022-03-27T03:23:32Z)
• Meta Gradient Adversarial Attack [64.5070788261061]
  本稿では,MGAA(Metaversa Gradient Adrial Attack)と呼ばれる新しいアーキテクチャを提案する。 具体的には、モデル動物園から複数のモデルをランダムにサンプリングし、異なるタスクを構成するとともに、各タスクにおけるホワイトボックス攻撃とブラックボックス攻撃を反復的にシミュレートする。 ブラックボックス攻撃における勾配方向とブラックボックス攻撃の差を狭めることにより、ブラックボックス設定における逆例の転送性を向上させることができる。
  論文  参考訳（メタデータ） (2021-08-09T17:44:19Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Two Sides of the Same Coin: White-box and Black-box Attacks for Transfer Learning [60.784641458579124]
  ホワイトボックスFGSM攻撃によるモデルロバスト性を効果的に向上することを示す。 また,移動学習モデルに対するブラックボックス攻撃手法を提案する。 ホワイトボックス攻撃とブラックボックス攻撃の双方の効果を系統的に評価するために,ソースモデルからターゲットモデルへの変換可能性の評価手法を提案する。
  論文  参考訳（メタデータ） (2020-08-25T15:04:32Z)
• Orthogonal Deep Models As Defense Against Black-Box Attacks [71.23669614195195]
  攻撃者が標的モデルに類似したモデルを用いて攻撃を発生させるブラックボックス設定における深層モデル固有の弱点について検討する。 本稿では,深部モデルの内部表現を他のモデルに直交させる新しい勾配正規化手法を提案する。 様々な大規模モデルにおいて,本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-26T08:29:05Z)

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。