論文の概要: Empirical Evaluation of Membership Inference Attacks on NLP Text Classifiers: A Baseline Study on SST-2

• arxiv url: http://arxiv.org/abs/2609.10935v1
• Date: Thu, 10 Sep 2026 00:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.170636
• Title: Empirical Evaluation of Membership Inference Attacks on NLP Text Classifiers: A Baseline Study on SST-2
• Title（参考訳）: NLPテキスト分類器におけるメンバーシップ推論攻撃の実証評価:SST-2のベースライン研究
• Abstract要約: メンバーシップ推論攻撃(MIA)は、モデルをトレーニングするために特定のレコードが使用されたかどうかを判断しようとする。 本稿では,GLUE SST-2感情データセットを用いたテキスト分類におけるメンバシップ推定脆弱性のベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Membership inference attacks (MIAs) try to determine whether a specific record was used to train a model, a privacy risk that matters in natural language processing (NLP), where training data can contain sensitive user text. This paper presents a controlled benchmark of membership inference vulnerability for text classification on the GLUE SST-2 sentiment dataset. A TF-IDF + Logistic Regression pipeline and a fine-tuned DistilBERT classifier are compared under a loss-threshold MIA, with utility measured by development accuracy and macro F1. DistilBERT reached 0.9466 accuracy and 0.9460 macro F1 against 0.8756 and 0.8727 for Logistic Regression, yet both models leaked membership signal (Attack AUC 0.5615 and 0.5800, respectively). Two mitigations were tested. Stronger regularization reduced leakage for Logistic Regression at a visible utility cost, whereas fine-tuning DistilBERT for 2 epochs instead of 3 reduced leakage with negligible accuracy loss. Lightweight training adjustments can improve the privacy-utility trade-off without complex defenses.
• Abstract（参考訳）: メンバーシップ推論攻撃(MIA)は、トレーニングデータに機密テキストを含むことができる自然言語処理(NLP)において重要なプライバシーリスクであるモデルをトレーニングするために特定のレコードが使用されたかどうかを判断しようとする。 本稿では,GLUE SST-2感情データセットを用いたテキスト分類におけるメンバシップ推論脆弱性の制御ベンチマークを提案する。 TF-IDF+ロジスティック回帰パイプラインと微調整DistilBERT分類器を損失閾値MIAで比較し、開発精度とマクロF1で実測する。 DistilBERTの精度は0.9466、マクロF1は0.8756、ロジスティック回帰は0.8727に達したが、どちらも会員信号(Attack AUC 0.5615、0.5800)をリークした。 2つの軽減策が試験された。 より厳密な正規化により、ロジスティック回帰のリークを目に見える実用コストで削減し、微調整のDistilBERTは3回のリークを減らし、精度を損なうことなく2回のエポックを調整した。 軽量なトレーニング調整は、複雑な防御なしにプライバシーとユーティリティのトレードオフを改善することができる。

関連論文リスト

• Domain-Specific Hallucination Detection in Large Language Models [0.0]
  大規模言語モデルは、不誠実なクレームを含むことができる流動的なテキストを生成する。 微調整されたDeBERTa-v3分類, Monte Carlo (MC) Dropoutの不確実性定量化を組み合わせた多信号検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:45:36Z)
• Latent Stability Analysis of Malware Representations Under Feature-Space Perturbations [0.0]
  本稿では,EMBER特徴空間におけるマルウェア摂動評価のための潜時安定性解析パイプラインを提案する。 パイプラインは完全なEMBER機能、PCAベースの圧縮、変分オートエンコーダ表現のベータ/デノベート、Mandelbrotにインスパイアされたエスケープタイム記述子、PINNスタイルのラテントフローモジュールを比較している。 EMBER静的PE特徴ベクトルに対して,180,000のトレーニングサンプル,180,000のテストサンプル,24万のホールドアウトサンプルを用いて実験を行った。
  論文  参考訳（メタデータ） (2026-07-27T15:53:28Z)
• Leakage-Robust Evaluation and Data-Scale Sensitivity of Attention-Enhanced Multi-Task Learning for Joint Fault Diagnosis and Remaining Useful Life Estimation [0.0]
  マルチタスクディープラーニングモデルは、スライディングウィンドウシーケンスがトレーニングとテストセットにどのように分割されるかによって影響を受ける可能性がある。 ナイーブな分割は、真の20-60%から99.9%に分類精度を低下させる可能性がある。 チャンクベース・リーク監査分割プロトコルを導入し,5種の種子,片方向ANOVA,Tukey HSDテストを用いて全モデルを評価した。
  論文  参考訳（メタデータ） (2026-07-17T20:33:36Z)
• A Controlled Synthetic Benchmark for Educational Aspect-Based Sentiment Analysis [47.027290803102666]
  本研究は,1万の総合的な授業レビューから構築されたABSAの教育的評価基準について紹介する。 最強の未調整モデルであるBERTは0.2760マイクロF1に達する。 Herathらによる2,829名の学生フィードバックレビューに対する保守的な外部評価では、9アスペクト重なりのBERTでは0.4593のマイクロF1が得られる。
  論文  参考訳（メタデータ） (2026-05-25T07:05:21Z)
• Distilling Self-Consistency into Verbal Confidence: A Pre-Registered Negative Result and Post-Hoc Rescue on Gemma 3 4B [0.0]
  インストラクトチューニングされた小さなLLMは、最小の誘引の下で変性した言語的信頼を生み出す。 自信条件付き教師付き微調整と自己整合性に基づく目標が内部情報と音声読取のギャップを埋めるかどうかを検証した。
  論文  参考訳（メタデータ） (2026-04-27T05:53:26Z)
• REAL: Regression-Aware Reinforcement Learning for LLM-as-a-Judge [83.2858110368572]
  回帰報酬を最適化するための原則的RLフレームワークである textbfREAL (underlineREgression-underlineAware Reinforcement underlineLThought) を提案する。 我々は,REALがレグレッション対応SFTベースラインと標準RL法の両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-03-17T21:19:08Z)
• ESLM: Risk-Averse Selective Language Modeling for Efficient Pretraining [53.893792844055106]
  大規模言語モデルの事前学習は計算集約的であるが、多くのトークンが学習にわずかに寄与し、非効率になる。 Selective Efficient Language Modelingは、オンライントークンレベルのバッチ選択を行うことで、トレーニング効率と分散ロバスト性を改善するリスク認識アルゴリズムである。 GPT-2プレトレーニング実験の結果、ESLMはベースラインに比べて複雑度と下流性能の両面を維持・改善しながら、トレーニングFLOPを著しく低減することが示された。
  論文  参考訳（メタデータ） (2025-05-26T12:23:26Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Exploring the Value of Pre-trained Language Models for Clinical Named Entity Recognition [6.917786124918387]
  我々は、スクラッチからトレーニングされたTransformerモデルと、細調整されたBERTベースのLLMを比較した。 文脈学習を促進するために,追加のCRF層がそのようなモデルに与える影響を検討する。
  論文  参考訳（メタデータ） (2022-10-23T16:27:31Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• FreeMatch: Self-adaptive Thresholding for Semi-supervised Learning [46.95063831057502]
  本稿では,モデルの学習状況に応じて,信頼度閾値を自己適応的に定義・調整するためのemphFreeMatchを提案する。 FreeMatchは、最新の最先端メソッドであるFlexMatchよりもtextbf5.78%、textbf13.59%、textbf1.28%のエラー率削減を実現している。
  論文  参考訳（メタデータ） (2022-05-15T10:07:52Z)
• Adversarial Training with Rectified Rejection [114.83821848791206]
  本稿では,信頼度(T-Con)を確実性オラクルとして利用し,信頼度を補正してT-Conを予測することを提案する。 軽度の条件下では、正当性(R-Con)拒絶器と信頼性(R-Con)拒絶器を結合して、不正に分類された入力と正しく分類された入力を区別できることを示す。
  論文  参考訳（メタデータ） (2021-05-31T08:24:53Z)

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。