論文の概要: A Simple Presentation of Robust Membership Inference Attacks

• arxiv url: http://arxiv.org/abs/2610.36458v1
• Date: Tue, 27 Oct 2026 01:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.457282
• Title: A Simple Presentation of Robust Membership Inference Attacks
• Title（参考訳）: ロバストなメンバーシップ推論攻撃の簡単な表現法
• Abstract要約: メンバシップ推論攻撃では、攻撃者は特定の個人のデータを与えられ、その個人が特定のデータセットに含まれているかどうかを判断しようとする。 大まかに言えば、統計が騒々しくても、メンバーシップ推論攻撃が成功すると堅牢である。
• 参考スコア（独自算出の注目度）: 5.9008305952345514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a membership inference attack, an attacker is given the data of a particular individual, and tries to determine if that individual was included in a particular dataset, given some kind of statistics derived from the dataset or a model trained on the dataset. Roughly, a membership inference attack is robust if it succeeds even when the statistics are highly noisy, regardless of how that noise is introduced. We give a simple presentation of robust membership inference attacks for mean estimation, covering both multivariate Gaussian distributions and binary product distributions. We also give a summary of the literature on robust membership inference, covering history, extensions, and connections to other research areas.
• Abstract（参考訳）: メンバーシップ推論攻撃では、攻撃者は特定の個人のデータを与えられ、その個人が特定のデータセットに含まれているかどうかを判断しようとする。 大まかに言えば、そのノイズがどのように導入されたかに関わらず、統計が非常にノイズの多い場合でも、会員推測攻撃は成功すれば堅牢である。 我々は,多変量ガウス分布と二元積分布の両方を網羅した,平均推定のためのロバストなメンバシップ推論攻撃の簡単なプレゼンテーションを行う。 また、ロバストなメンバーシップ推論、歴史、拡張、および他の研究分野とのつながりに関する文献の概要も紹介する。

関連論文リスト

• Boundary-targeted Membership Inference Attacks on Safety Classifiers [70.20833439671131]
  安全分類器は、セルフハームとメンタルヘルスの議論を含むセンシティブなデータセットに基づいて訓練される。 低信頼例を識別する新たな境界目標選択戦略を導入する。 実験により、相手は会話の19%を安全分類器が5%の偽陽性率でユーザーの苦痛を示すようにフラグ付けして回復できることが示された。 これは最先端のMIAメソッドだけで攻撃するより3.5ドル高い。
  論文  参考訳（メタデータ） (2026-05-21T12:05:22Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Formalizing and Estimating Distribution Inference Risks [11.650381752104298]
  プロパティ推論攻撃の形式的および一般的な定義を提案する。 以上の結果から,安価なメタクラス化攻撃は高価なメタクラス化攻撃と同じくらい効果的であることが示唆された。 我々は、最先端のプロパティ推論攻撃を畳み込みニューラルネットワークに拡張する。
  論文  参考訳（メタデータ） (2021-09-13T14:54:39Z)
• 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)
• Formalizing Distribution Inference Risks [11.650381752104298]
  プロパティ推論攻撃は、統計機械学習の主な目的と区別することが難しい。 プロパティ推論攻撃の形式的で汎用的な定義を提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:10:06Z)
• Membership Inference Attacks on Machine Learning: A Survey [6.468846906231666]
  メンバシップ推論攻撃は、データサンプルがマシンラーニングモデルのトレーニングに使用されたかどうかを識別することを目的としている。 会員が個人の機密情報を開示できるため、深刻なプライバシーリスクを引き起こす可能性があります。 会員の推論攻撃に関する最初の包括的な調査を紹介します。
  論文  参考訳（メタデータ） (2021-03-14T06:10:47Z)
• Sampling Attacks: Amplification of Membership Inference Attacks by Repeated Queries [74.59376038272661]
  本手法は,他の標準メンバーシップ相手と異なり,被害者モデルのスコアにアクセスできないような厳格な制限の下で動作可能な,新しいメンバーシップ推論手法であるサンプリングアタックを導入する。 ラベルのみを公開している被害者モデルでは,攻撃のサンプリングが引き続き可能であり,攻撃者はその性能の最大100%を回復できることを示す。 防衛においては,被害者モデルのトレーニング中の勾配摂動と予測時の出力摂動の形式で差分プライバシーを選択する。
  論文  参考訳（メタデータ） (2020-09-01T12:54:54Z)

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。