論文の概要: FERMI: Exploiting Relations for Membership Inference Against Tabular Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.11527v1
• Date: Tue, 12 May 2026 04:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.587989
• Title: FERMI: Exploiting Relations for Membership Inference Against Tabular Diffusion Models
• Title（参考訳）: FERMI: Tabular Diffusion Model に対するメンバーシップ推論の爆発的関係
• Authors: Abtin Mahyar, Masoumeh Shafieinejad, Yuhan Liu, Xi He,
• Abstract要約: 推論攻撃は単一テーブルの設定を前提とし、実際の機密データのマルチリレーショナル構造を無視する。 本稿では,親テーブルなどの対象テーブルに関連する関係から補助情報を活用する方法について述べる。 単一テーブルベースラインに対する攻撃性能を継続的に改善するFERMIを提案する。
• 参考スコア（独自算出の注目度）: 21.998727975983225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are the leading approach for tabular data synthesis and are increasingly used to share sensitive records. Whether they actually protect privacy has become a pressing question. Membership inference attacks are the standard tool for this purpose, yet existing attacks assume a single-table setting and ignore the multi-relational structure of real sensitive data. A core challenge in assessing privacy risks from membership inference attacks in multi-table settings is how to leverage auxiliary information from relations associated with the target table, such as its parent tables. Particularly, we study a practical setting in which such auxiliary information is available only when training the attack model. At inference time, the attacker observes only the attribute values of the target record from the target table. We propose FERMI (FEature-mapping for Relational Membership Inference), which resolves this gap by enriching single-table features with relational membership signal. Across three tabular diffusion architectures and three real-world relational datasets, FERMI consistently improves attack performance over single-table baselines, with TPR@$0.1$FPR rising by up to 53% over the single-table baseline in the white-box setting and 22% in the black-box setting.
• Abstract（参考訳）: 拡散モデルは表形式のデータ合成の主要なアプローチであり、機密レコードの共有にますます利用されている。 プライバシを実際に保護しているかどうかが問題になっている。 メンバーシップ推論攻撃はこの目的の標準的なツールであるが、既存の攻撃は単一テーブルの設定を前提とし、実際の機密データのマルチリレーショナル構造を無視している。 マルチテーブル環境でのメンバシップ推論攻撃によるプライバシリスクを評価する上での課題は、親テーブルのようなターゲットテーブルに関連する関係から補助的な情報を活用する方法である。 特に,攻撃モデルの訓練時にのみ,そのような補助情報を利用できるような実践的な設定について検討する。 推測時には、攻撃者はターゲットテーブルからターゲットレコードの属性値のみを観測する。 本稿では,このギャップを解決するために,リレーショナル・メンバシップ・推論のためのFeature-mapping (FERMI)を提案する。 TPR@$0.1$FPRは、ホワイトボックス設定のシングルテーブルベースラインから最大53%、ブラックボックス設定の22%まで上昇する。

関連論文リスト

• Mind the Gap? A Distributional Comparison of Real and Synthetic Priors for Tabular Foundation Models [7.124188498356204]
  タブラル基礎モデルは、ベンチマークリポジトリから収集されたキュレートデータセット、Webから大規模に収集されたテーブル、パラメトリック生成前のデータからサンプリングされた合成テーブルの3つのクラスのうちの1つで事前訓練されている。 この作業では、表層基礎モデルのトレーニングに使用される3つの標準的アーキティパルデータセットを取ります。 各コーパスは, テーブル全体, 列, 相関関係の集合的特徴を用いて特徴付け, 識別器AUCとk-NNのカバレッジ指標を用いて比較する。 我々は、TabICL合成前は実テーブルの空間の狭い領域を占めており、このミスマッチは事前の最適化によっては閉じられないことを発見した。
  論文  参考訳（メタデータ） (2026-05-07T14:29:31Z)
• Noise Immunity in In-Context Tabular Learning: An Empirical Robustness Analysis of TabPFN's Attention Mechanisms [0.0]
  言語基礎モデル(TFM)は、文脈内学習(ICL)を通して異種データセットを一般化する 制御された合成摂動を用いた二元分類問題に対するTabPFNとその注意機構について検討する。 我々は、注意集中度や注目度に基づく特徴ランクの指標を含む内部信号を分析する。
  論文  参考訳（メタデータ） (2026-04-06T17:16:37Z)
• MIA-EPT: Membership Inference Attack via Error Prediction for Tabular Data [24.54021019214072]
  新たなブラックボックス攻撃であるタブラルデータに対するエラー予測によるMIAEPT, メンバーシップ推論攻撃について紹介する。 MIA-EPTは、ターゲットレコードの属性をマスキングして再構成することで、エラーベースの特徴ベクトルを構築する。 我々の結果は、合成データが本質的にプライバシー保護であるという仮定に挑戦する。
  論文  参考訳（メタデータ） (2025-09-16T13:03:54Z)
• InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [83.7578502046955]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
  テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。 カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2021-02-17T02:18:10Z)

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。