論文の概要: Calibrating One-Round Membership Inference with Neighbors

• arxiv url: http://arxiv.org/abs/2609.36331v1
• Date: Mon, 28 Sep 2026 22:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.040611
• Title: Calibrating One-Round Membership Inference with Neighbors
• Title（参考訳）: 近隣住民による一方向メンバーシップ推定の校正
• Abstract要約: State-of-the-art Membership Inference (MI)メソッドは、ターゲットを除外するように訓練された補助モデルである参照モデルを使用して、それぞれのサンプルに対して信号のキャリブレーションを別々に行う。 単一のトレーニングされたモデルのみが利用可能だが、参照モデルなしでは、最強の攻撃を駆動するサンプルごとのキャリブレーションを見積もることはできない。 対象地点の隣人が、追加のモデルを訓練することなく、この校正を回復できるかどうかを問う。
• 参考スコア（独自算出の注目度）: 33.62318465805961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The state-of-the-art Membership Inference (MI) methods calibrate their signal separately for each example using reference models, auxiliary models trained to exclude the target. This paradigm scales poorly to modern large models, however, whose training is too expensive to replicate. This has motivated one-round settings, where only a single trained model is available; but without reference models the per-example calibration that drives the strongest attacks can no longer be estimated, leaving the membership signal weak. We ask whether neighbors of the target point can recover this calibration without training any additional model. Our key observation is that reference models serve only to reveal how an example behaves under models not trained on it, and that querying the target model on nearby samples yields the same information. We propose two complementary ways to obtain such neighbors, and show that querying them against an early training checkpoint further sharpens the signal. We evaluate across three image classification datasets and three training setups, showing that neighbors yield strong membership signals and competitive attack performance at no additional training cost.
• Abstract（参考訳）: 最先端のメンバーシップ推論(MI)手法は、ターゲットを除外するよう訓練された補助モデルである参照モデルを用いて、それぞれのサンプルに対してそれぞれの信号を個別に調整する。 しかし、このパラダイムは現代の大型モデルには不十分で、そのトレーニングは複製するには高すぎる。 単一のトレーニングされたモデルのみが利用可能だが、参照モデルがなければ、最強の攻撃を駆動するサンプルごとのキャリブレーションはもはや見積もられなくなり、メンバーシップシグナルは弱くなる。 対象地点の隣人が、追加のモデルを訓練することなく、この校正を回復できるかどうかを問う。 私たちのキーとなる観察は、参照モデルは、サンプルがトレーニングされていないモデルの下でどのように振る舞うかを明らかにするのにのみ役立ち、近くのサンプルでターゲットモデルに問い合わせると、同じ情報が得られます。 そこで本稿では, 近隣住民を探索する2つの補完的手法を提案し, 早期の訓練チェックポイントに照会することで, さらに信号のシャープ化を図っている。 我々は,3つの画像分類データセットと3つのトレーニング設定を比較検討し,近隣住民が強いメンバーシップ信号と競合攻撃性能を付加的なトレーニングコストなしで得ることを示した。

関連論文リスト

• For Your Eyes Only: Evaluating Coordination Between Isolated Language Model Instances [45.88028371034407]
  我々は,確立した精神言語コーパスから,300語対の4つの建築家族の現代モデルを評価する。 ほとんどのモデルは、検出可能な信号を避けるために必要になった場合、調整を維持するのに苦労している。 1つのフロンティアモデルは、そのようなフィルタリング後にもほぼ完璧な性能を維持する。
  論文  参考訳（メタデータ） (2026-09-16T23:41:25Z)
• Coupled Training with Privileged Information and Unlabeled Data [8.016305126057338]
  多くの予測問題では、モデルがデプロイされたときに利用できない、トレーニング中の追加情報があります。 一般的な戦略は、まずすべてのトレーニング情報を使用するモデルをトレーニングし、次にラベルのない例で予測を使用して、テスト時に利用可能な入力のみを使用する第2のモデルをトレーニングする。 本稿では,2つのモデルを一緒に学習する共同トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2026-05-22T06:15:35Z)
• Toward Reliable Machine Unlearning: Theory, Algorithms, and Evaluation [1.7767466724342065]
  本稿では,SOTA MIAスコアに基づく画像分類の最先端手法を超越したAdrial Machine UNlearning(AMUN)を提案する。 既存の手法は、最寄りの会員推定攻撃(MIA-NN)を導入して、再訓練されたモデルの動作を再現できないことを示す。 そこで我々は,スクラッチから再学習したモデルが生成する残りのクラスに対する分布を,クラス入力に対して近似することで,このリークを緩和する微調整対象を提案する。
  論文  参考訳（メタデータ） (2025-12-07T20:57:25Z)
• Reasoning with Sampling: Your Base Model is Smarter Than You Think [52.639108524651846]
  本稿では,基本モデル自身の可能性を利用した単純な反復サンプリングアルゴリズムを提案する。 我々のアルゴリズムは、ほぼ一致し、RLのアルゴリズムよりも優れているという推論において、大幅に向上することを示した。 我々の方法は、トレーニング、キュレートされたデータセット、検証器を必要としない。
  論文  参考訳（メタデータ） (2025-10-16T17:18:11Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Membership Inference Attacks on Diffusion Models via Quantile Regression [30.30033625685376]
  我々は,家族関係推論(MI)攻撃による拡散モデルのプライバシー上の脆弱性を実証する。 提案したMI攻撃は、トレーニングに使用されていない例における再構成損失の分布を予測(定量化)する量子レグレッションモデルを学習する。 我々の攻撃は従来の最先端攻撃よりも優れており、計算コストは著しく低い。
  論文  参考訳（メタデータ） (2023-12-08T16:21:24Z)
• Dual Student Networks for Data-Free Model Stealing [79.67498803845059]
  主な課題は、パラメータにアクセスせずにターゲットモデルの勾配を推定し、多様なトレーニングサンプルを生成することである。 そこで本研究では,2人の学生が左右対称に学習し,学生が反対するサンプルを生成するための基準を提案する。 我々の新しい最適化フレームワークは、目標モデルのより正確な勾配推定と、ベンチマーク分類データセットの精度向上を提供する。
  論文  参考訳（メタデータ） (2023-09-18T18:11:31Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• MEGA: Model Stealing via Collaborative Generator-Substitute Networks [4.065949099860426]
  近年のデータフリーモデルステイティングメソッドは,実際のクエリの例を使わずに,ターゲットモデルの知識を抽出するために有効であることが示されている。 本稿では,データフリーモデルステーリングフレームワーク(MEGA)を提案する。 以上の結果から,我々の訓練した代替モデルの精度と敵攻撃成功率は,最先端のデータフリーブラックボックス攻撃よりも最大で33%,40%高い値となる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-31T09:34:28Z)
• Positive-Congruent Training: Towards Regression-Free Model Updates [87.25247195148187]
  画像分類において、サンプルワイドの不整合は「負のフリップ」として現れる 新しいモデルは、古い(参照)モデルによって正しく分類されたテストサンプルの出力を誤って予測する。 そこで本研究では,PC トレーニングのための簡易なアプローチである Focal Distillation を提案する。
  論文  参考訳（メタデータ） (2020-11-18T09:00:44Z)
• Regularizers for Single-step Adversarial Training [49.65499307547198]
  本稿では,1ステップの対数学習手法を用いて,ロバストモデル学習を支援する3種類の正則化器を提案する。 正規化器は、ロバストモデルと擬ロバストモデルとを区別する特性を利用することにより、勾配マスキングの効果を緩和する。
  論文  参考訳（メタデータ） (2020-02-03T09:21:04Z)

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。