論文の概要: SoK: Rethinking Membership Inference in Tabular Machine Learning

• arxiv url: http://arxiv.org/abs/2610.18486v1
• Date: Tue, 13 Oct 2026 14:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 21:04:26.448387
• Title: SoK: Rethinking Membership Inference in Tabular Machine Learning
• Title（参考訳）: SoK: タブラル機械学習におけるメンバシップ推論の再考
• Abstract要約: メンバーシップ推論攻撃(MIA)は、マシンラーニングアプリケーションにおけるプライバシ評価において、現在支配的なアプローチである。 我々はMIAの新しい分類法を提案し、脆弱性に影響を与える要因を包括的に研究する。
• 参考スコア（独自算出の注目度）: 10.848042721721491
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Membership Inference Attacks (MIAs) are currently the dominant approach to evaluating privacy in machine learning applications. Despite their significance, several concerns remain unexplored, particularly with regard to tabular data. Existing evaluations focus predominantly on high-dimensional datasets, leaving the privacy behavior of small-to-medium datasets unexplored. In this paper, we present a new taxonomy for MIAs and conduct a comprehensive study of the factors influencing vulnerability. We evaluate four distinct state-of-the-art attacks across diverse tabular datasets and model architectures. Our results show that datasets with higher class granularity and majority class percentage are more susceptible to MIAs. We further demonstrate that advanced MIAs are highly dependent on adversarial knowledge of the target model, while reference model-free attacks often achieve statistically comparable results. Most importantly, we show that records with unique signatures (single-outs) remain highly vulnerable, even when common defenses are applied. These findings indicate that current defenses reduce average leakage, but fail to adequately protect the most sensitive individuals.
• Abstract（参考訳）: メンバーシップ推論攻撃(MIA)は、マシンラーニングアプリケーションにおけるプライバシ評価において、現在支配的なアプローチである。 その重要性にもかかわらず、特に表のデータに関して、いくつかの懸念は未解決のままである。 既存の評価は、主に高次元データセットに焦点を当てており、小規模から中規模データセットのプライバシの振る舞いは未調査のままである。 本稿では,MIAの新しい分類法を提案し,脆弱性に影響を及ぼす要因を包括的に研究する。 様々な表のデータセットとモデルアーキテクチャにまたがる4つの異なる最先端攻撃を評価した。 以上の結果から, クラス粒度が高いデータセットや, クラスの割合が高いデータセットの方がMIAの影響を受けやすいことが示唆された。 さらに、先進MIAはターゲットモデルの敵対的知識に強く依存していることを示し、参照モデルフリー攻撃は統計学的に同等な結果が得られることをしばしば示している。 最も重要なことは、共通の防御が適用されたとしても、ユニークなシグネチャ(シングルアウト)を持つレコードは、非常に脆弱であることである。 これらの結果は、現在の防御は平均的な漏洩を減少させるが、最も敏感な個人を適切に保護することができないことを示している。

関連論文リスト

• On the Privacy of LLMs: An Ablation Study [0.0]
  大規模言語モデル(LLM)は、対話的および検索強化された設定にますますデプロイされている。 我々は、統一的な脅威モデルと表記を導入し、一連のプライバシー攻撃を再現し、構造化されたアブレーション研究を行う。
  論文  参考訳（メタデータ） (2026-05-04T06:06:41Z)
• SoK: Challenges in Tabular Membership Inference Attacks [10.848042721721491]
  メンバーシップ推論攻撃(MIA)は、機械学習アプリケーションにおけるプライバシを評価する主要なアプローチである。 本稿では、中央集権学習と連合学習の2つの主要な学習パラダイムを考慮したMIAの広範なレビューと分析を行う。 攻撃性能が限られている攻撃でも、シングルアウトの大部分をうまく公開できることが示されています。
  論文  参考訳（メタデータ） (2026-01-22T11:30:11Z)
• Revisiting Model Inversion Evaluation: From Misleading Standards to Reliable Privacy Assessment [63.07424521895492]
  モデル反転(MI)攻撃は、機械学習モデルTへのアクセスを利用して、プライベートトレーニングデータから情報を再構築することを目的としている。 このような攻撃に対する標準的な評価フレームワークは、Tと同じタスク設計で訓練された評価モデルEに依存している。 このフレームワークはMI研究の進歩を評価するためのデファクトスタンダードとなり、近年のMI攻撃や防衛のほとんどすべてで問題なく使用されている。
  論文  参考訳（メタデータ） (2025-05-06T13:32:12Z)
• Underestimated Privacy Risks for Minority Populations in Large Language Model Unlearning [20.018234150653885]
  大規模言語モデル(LLM)は、センシティブで人間の生成したデータを埋め込んで、未学習の方法の必要性を喚起する。 既存のフレームワークの盲点を強調するために,補完的な少数派対応評価フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-11T17:22:07Z)
• Model Inversion Attacks: A Survey of Approaches and Countermeasures [69.18069679327263]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models [112.48136829374741]
  本稿では、プライバシーバックドア攻撃という新たな脆弱性を明らかにします。 被害者がバックドアモデルに微調整を行った場合、トレーニングデータは通常のモデルに微調整された場合よりも大幅に高い速度でリークされる。 我々の発見は、機械学習コミュニティにおける重要なプライバシー上の懸念を浮き彫りにし、オープンソースの事前訓練モデルの使用における安全性プロトコルの再評価を求めている。
  論文  参考訳（メタデータ） (2024-04-01T16:50:54Z)
• Impact of Dataset Properties on Membership Inference Vulnerability of Deep Transfer Learning [9.366691198320261]
  メンバーシップ推論攻撃(MIA)は、機械学習モデルの実用的なプライバシをテストするために使用される。 固定された偽陽性率で攻撃者が有利である場合の非DPモデルの脆弱性は、単純な電力法則に従って減少することを示す。
  論文  参考訳（メタデータ） (2024-02-07T14:23:01Z)
• On the Privacy Effect of Data Enhancement via the Lens of Memorization [20.63044895680223]
  我々は,記憶化という新たな視点からプライバシを調査することを提案する。 記憶のレンズを通して、以前デプロイされたMIAは、より高いプライバシーリスクを持つサンプルを特定する可能性が低いため、誤解を招く結果をもたらすことがわかった。 一般化ギャップとプライバシリークは, これまでの結果に比べて相関が低いことを示す。
  論文  参考訳（メタデータ） (2022-08-17T13:02:17Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)

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。