論文の概要: Discard the Dross and Select the Essential: Pre-query Sample Selection for Black-box Membership Inference Attacks

• arxiv url: http://arxiv.org/abs/2606.30081v1
• Date: Mon, 29 Jun 2026 10:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.175955
• Title: Discard the Dross and Select the Essential: Pre-query Sample Selection for Black-box Membership Inference Attacks
• Title（参考訳）: ドロスの識別と基本選択:ブラックボックスメンバーシップ推論攻撃のための予備クエリサンプル選択
• Abstract要約: ブラックボックスメンバーシップ推論攻撃は、候補サンプルがトレーニングに使用されたかどうかを推測するためにターゲットモデルクエリに依存する。 PSS-MIAは、既存のブラックボックスMIAメソッドに埋め込まれた、クエリ前のサンプル選択フレームワークである。 PSS-MIAは、まず候補サンプルをランク付けし、より強力なメンバーシップ推論をサポートすると期待されるサブセットを選択し、選択したサンプルをクエリし、返却された出力を既存のブラックボックスMIAに使用する。
• 参考スコア（独自算出の注目度）: 4.479660444665013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Black-box membership inference attacks (MIAs) rely on target-model queries to infer whether candidate samples were used for training. However, membership signals are highly non-uniform across samples: some candidate samples support strong member/non-member separability, whereas many others provide little useful signal. Consequently, indiscriminate querying can incur substantial query cost and increase query-induced exposure, with limited marginal benefit for inference. This raises a key question: which candidate samples are worth querying for black-box MIAs? To address this question, we propose PSS-MIA, a pre-query sample selection framework which can be embedded with any existing MIA methods. PSS-MIA proceeds in two stages: it first ranks candidate samples and selects a subset expected to support stronger membership inference, then queries the selected samples and uses the returned outputs for an existing black-box MIA, thereby reducing query cost and query-induced exposure. In the first stage, we propose Loss-Gap Ranking (LGR), which ranks candidate samples by estimating the strength of their membership signal using loss gaps computed from reference models. Experiments on CIFAR-10, CIFAR-100, and CINIC-10 with five representative black-box MIA methods demonstrate that PSS-MIA with LGR consistently outperforms all other compared methods. Moreover, under a 0.1% FPR constraint, PSS-MIA can save at least 83.1%, 60.6%, and 80.4% of the query budget for the three datasets, respectively.
• Abstract（参考訳）: ブラックボックスメンバーシップ推論攻撃(MIA)は、候補サンプルがトレーニングに使用されたかどうかを判断するためにターゲットモデルクエリに依存する。 しかし、メンバーシップ信号はサンプル間では非常に一様ではない:いくつかの候補サンプルは強いメンバー/非メンバー分離性をサポートし、他の多くのサンプルは有用な信号を提供しない。 その結果、無差別なクエリは、相当なクエリコストを発生させ、クエリによる露出を増大させ、推論の限界的な利益を抑えることができる。 どの候補サンプルがブラックボックスMIAに問い合わせる価値があるのか? そこで本研究では,既存のMIAメソッドに組み込むことができるプリクエリサンプル選択フレームワークであるPSS-MIAを提案する。 PSS-MIAは、まず候補サンプルをランク付けし、より強力なメンバーシップ推論をサポートすると期待されるサブセットを選択し、次に選択されたサンプルをクエリし、既存のブラックボックスMIAに対して返される出力を使用する。 第1段階では、参照モデルから計算した損失ギャップを用いて、会員信号の強度を推定し、候補サンプルをランク付けするロスギャップランキング(LGR)を提案する。 CIFAR-10、CIFAR-100、CINIC-10の5つの代表的なブラックボックスMIA法による実験は、LGRを用いたPSS-MIAが他の比較手法よりも一貫して優れていることを示した。 さらに、0.1%のFPR制約の下で、PSS-MIAは3つのデータセットのクエリ予算の少なくとも83.1%、60.6%、80.4%を節約できる。

関連論文リスト

• LoMime: Query-Efficient Membership Inference using Model Extraction in Label-Only Settings [3.4228148164859857]
  メンバシップ推論攻撃(MIA)は、トレーニング中に特定のデータポイントが使用されたかどうかを明らかにすることで、マシンラーニングモデルのプライバシを脅かす。 転送可能性とモデル抽出に基づく,コスト効率の高いラベルのみのMIAフレームワークを提案する。 提案手法は,検索コストを大幅に削減しつつ,最先端のラベルのみのMIAの性能に適合する。
  論文  参考訳（メタデータ） (2026-02-21T18:57:17Z)
• Audit Me If You Can: Query-Efficient Active Fairness Auditing of Black-Box LLMs [4.673176641454931]
  大規模言語モデル(LLM)は、人口統計群にまたがる体系的なバイアスを示す。 対象の公正度測定値に対する不確実性評価として監査を概念化する。 ブラックボックスLLMのクエリ効率監査のためのバウンドアクティブフェアネスオーディタであるBAFAを紹介する。
  論文  参考訳（メタデータ） (2026-01-06T15:22:23Z)
• Scaling Adversarial Training via Data Selection [0.0]
  本稿では,各ミニバッチにおける臨界サンプルのサブセットのみを摂動するemphSelective Adversa Trainingを提案する。 MNIST と CIFAR-10 の実験により,提案手法は PGD の完全対向訓練に匹敵する,あるいはそれ以上の堅牢性を達成できることが示された。
  論文  参考訳（メタデータ） (2025-12-26T15:50:33Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• Learning from Convenience Samples: A Case Study on Fine-Tuning LLMs for Survey Non-response in the German Longitudinal Election Study [0.6104510780984732]
  ランダムな非応答と体系的な非応答の両方で自己申告された投票選択をインプットするために、大きな言語モデルを微調整する。 LLMは、ゼロショットよりも正確に個人レベルの予測と人口レベルの分布を復元することができる。 このことは、微調整のLSMが、非確率的なサンプルや体系的な欠陥を扱う研究者に有望な戦略を提供することを示唆している。
  論文  参考訳（メタデータ） (2025-09-29T17:12:18Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• Optimal Membership Inference Bounds for Adaptive Composition of Sampled Gaussian Mechanisms [93.44378960676897]
  トレーニングされたモデルとデータサンプルが与えられた場合、メンバシップ推論(MI)アタックは、サンプルがモデルのトレーニングセットにあるかどうかを予測する。 MI攻撃に対する一般的な対策は、モデルトレーニング中に差分プライバシー(DP)を利用して個々の事例の存在を隠蔽することである。 本稿では,MI攻撃を装着した相手のテキスト・アドバンテージのバウンダリを導出し,広く利用されているガウス機構の厳密性を示す。
  論文  参考訳（メタデータ） (2022-04-12T22:36:56Z)
• UNICON: Combating Label Noise Through Uniform Selection and Contrastive Learning [89.56465237941013]
  UNICONは,高ラベル雑音に対して頑健な,シンプルで効果的なサンプル選択法である。 90%のノイズレートでCIFAR100データセットの最先端データよりも11.4%改善した。
  論文  参考訳（メタデータ） (2022-03-28T07:36:36Z)
• MIAShield: Defending Membership Inference Attacks via Preemptive Exclusion of Members [9.301268830193072]
  メンバーシップ推論攻撃では、相手はモデルの予測を観察し、サンプルがモデルのトレーニングデータの一部であるかどうかを判断する。 そこで我々は,MIAShieldを提案する。MIAShieldは,メンバーの存在を隠蔽する代わりに,メンバーサンプルのプリエンプティブ排除に基づく新しいMIAディフェンスである。 我々は,MIAShieldが多岐にわたるMIAの会員推定を効果的に緩和し,最先端の防衛技術と比較してはるかに優れたプライバシー利用トレードオフを実現し,適応的敵に対する耐性を保っていることを示す。
  論文  参考訳（メタデータ） (2022-03-02T07:53:21Z)
• Binary classification with ambiguous training data [69.50862982117127]
  教師付き学習では、ドメインの専門家でさえラベル付けが難しい曖昧な(A)サンプルに直面します。 この問題は、ラベルなしサンプルが必ずしも難しいサンプルではないため、半教師付き学習とは大きく異なる。
  論文  参考訳（メタデータ） (2020-11-05T00:53:58Z)
• Multi-label Contrastive Predictive Coding [125.03510235962095]
  差分相互情報(MI)推定器は、コントラスト予測符号化(CPC)のような教師なし表現学習法で広く利用されている。 本稿では,複数の正のサンプルを同時に同定する必要がある多ラベル分類問題に基づく新しい推定器を提案する。 同一量の負のサンプルを用いて複数ラベルのCPCが$log m$boundを超えることができる一方で、相互情報の有意な下限であることを示す。
  論文  参考訳（メタデータ） (2020-07-20T02:46:21Z)

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。