論文の概要: Statistical MIA: Rethinking Membership Inference Attack for Reliable Unlearning Auditing

• arxiv url: http://arxiv.org/abs/2602.01150v1
• Date: Sun, 01 Feb 2026 10:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.628094
• Title: Statistical MIA: Rethinking Membership Inference Attack for Reliable Unlearning Auditing
• Title（参考訳）: 統計的MIA:信頼できない未学習のオーディションに対するメンバーシップ推論攻撃の再考
• Authors: Jialong Sun, Zeming Wei, Jiaxuan Zou, Jiacheng Gong, Guanheng Wang, Chengyang Dong, Jialong Li, Bo Liu,
• Abstract要約: 機械学習(MU)の主な課題は、モデルが本当に特定のトレーニングデータを忘れたかどうかを確実に監査する方法である。 本研究では,新しいトレーニングフリーかつ高効率な監査フレームワークである統計会員推論攻撃(SMIA)を提案する。
• 参考スコア（独自算出の注目度）: 8.828612051271628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine unlearning (MU) is essential for enforcing the right to be forgotten in machine learning systems. A key challenge of MU is how to reliably audit whether a model has truly forgotten specified training data. Membership Inference Attacks (MIAs) are widely used for unlearning auditing, where samples that evade membership detection are often regarded as successfully forgotten. After carefully revisiting the reliability of MIA, we show that this assumption is flawed: failed membership inference does not imply true forgetting. We theoretically demonstrate that MIA-based auditing, when formulated as a binary classification problem, inevitably incurs statistical errors whose magnitude cannot be observed during the auditing process. This leads to overly optimistic evaluations of unlearning performance, while incurring substantial computational overhead due to shadow model training. To address these limitations, we propose Statistical Membership Inference Attack (SMIA), a novel training-free and highly effective auditing framework. SMIA directly compares the distributions of member and non-member data using statistical tests, eliminating the need for learned attack models. Moreover, SMIA outputs both a forgetting rate and a corresponding confidence interval, enabling quantified reliability of the auditing results. Extensive experiments show that SMIA provides more reliable auditing with significantly lower computational cost than existing MIA-based approaches. Notably, the theoretical guarantees and empirical effectiveness of SMIA suggest it as a new paradigm for reliable machine unlearning auditing.
• Abstract（参考訳）: 機械学習システムにおいて、忘れられる権利を強制するためには、機械学習(MU)が不可欠である。 MUの重要な課題は、モデルが本当に特定のトレーニングデータを忘れたかどうかを確実に監査する方法である。 メンバーシップ推論攻撃(MIA)は、未学習の監査に広く使われており、メンバーシップ検出を回避するサンプルは、しばしば忘れられる。 MIAの信頼性を慎重に再検討した結果、この仮定には欠陥があることが判明した。 理論的には、2値分類問題として定式化されたMIAベースの監査は、監査過程において大きさが観測できない統計的誤差を必然的に生じさせる。 これにより、未学習のパフォーマンスを過度に楽観的に評価すると同時に、シャドウモデルトレーニングによる計算オーバーヘッドが大幅に増大する。 これらの制約に対処するため,新しいトレーニングフリーかつ効果的な監査フレームワークである統計会員推論攻撃(SMIA)を提案する。 SMIAは統計検査を用いて会員データと非会員データの分布を直接比較し、学習した攻撃モデルの必要性を排除した。 さらに、SMIAは、忘れ率とそれに対応する信頼区間の両方を出力し、監査結果の定量的な信頼性を実現する。 大規模な実験により、SMIAは既存のMIAベースの手法よりも計算コストが大幅に低い信頼性の高い監査を提供することが示された。 特に、SMIAの理論的保証と実証的有効性は、信頼性の高いマシンアンラーニング監査のための新しいパラダイムとして提案されている。

関連論文リスト

• Res-MIA: A Training-Free Resolution-Based Membership Inference Attack on Federated Learning Models [1.9336815376402718]
  メンバーシップ推論攻撃は、機械学習モデルのプライバシに深刻な脅威をもたらす。 トレーニングフリーでブラックボックスのメンバシップ推論攻撃であるRes-MIAを導入する。 CIFAR-10で訓練された連合 ResNet-18 に対する攻撃について検討した。
  論文  参考訳（メタデータ） (2026-01-24T08:58:39Z)
• Membership Inference Attacks with False Discovery Rate Control [17.198821970846765]
  メンバシップ推論攻撃は、データレコードがターゲットモデルをトレーニングするために使用されたかどうかを推測することを目的としている。 偽発見率の保証を提供する新しい会員推論攻撃法を設計する。 また,本手法は,真の非会員データを会員データとしてラベル付けする際の限界確率保証も実現可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-09T18:14:50Z)
• On Conformal Machine Unlearning [23.735173540590832]
  共形予測(CP)に基づく機械アンラーニング(MU)の新しい定義を提案する。 本研究では,CP集合から忘れられたサンプルの頻度を定量化するコンフォメーション基準を定式化し,未学習の有効性を測定するための経験的指標を提案する。
  論文  参考訳（メタデータ） (2025-08-05T09:24:09Z)
• Redefining Machine Unlearning: A Conformal Prediction-Motivated Approach [11.609354498110358]
  機械学習は、訓練されたモデルから特定のデータの影響を取り除こうとする。 本稿では,UA と MIA にまたがる誤分類データには,予測セットに基礎的真理ラベルがまだ含まれていないことを明らかにする。 本稿では,記憶品質をより確実に評価する共形予測に着想を得た2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2025-01-31T18:58:43Z)
• Detecting Training Data of Large Language Models via Expectation Maximization [62.28028046993391]
  本稿では,予測最大化アルゴリズムを用いて,メンバーシップスコアとプレフィックススコアを反復的に洗練する新しいメンバーシップ推論手法EM-MIAを紹介する。 EM-MIAはWikiMIAで最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-10T03:31:16Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Weak Supervision Performance Evaluation via Partial Identification [46.73061437177238]
  Programmatic Weak Supervision (PWS) は、地上の真理ラベルに直接アクセスすることなく、教師付きモデルトレーニングを可能にする。 本稿では,モデル評価を部分的同定問題としてフレーミングすることで,この問題に対処する新しい手法を提案する。 提案手法は,従来の弱監督評価手法において,ラベル付きデータを必要とせず,重要な指標に信頼性のあるバウンダリを導出する。
  論文  参考訳（メタデータ） (2023-12-07T07:15:11Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Tight Mutual Information Estimation With Contrastive Fenchel-Legendre Optimization [69.07420650261649]
  我々はFLOと呼ばれる新しい,シンプルで強力なコントラストMI推定器を提案する。 実証的に、我々のFLO推定器は前者の限界を克服し、より効率的に学習する。 FLOの有効性は、広範囲なベンチマークを用いて検証され、実際のMI推定におけるトレードオフも明らかにされる。
  論文  参考訳（メタデータ） (2021-07-02T15:20:41Z)

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。