.png){kind=icon}
返回
Membership inference attacks against split inference via knowledge transfer
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132247.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了与Split Inference（SI）相关的隐私风险，SI是一种协作式深度学习范式，能够将深度神经网络及其对应的推理任务分配给客户端和服务器。先前的研究表明，无法查询目标模型的恶意服务器方攻击者可以利用成员推理攻击来破坏SI系统中部署模型的训练数据隐私。然而，这种攻击方案依赖于直接将目标样本查询到影子模型中，可能导致因对齐不良而表现不佳。为解决此限制，我们探索了通过SI中的服务器模型进行知识转移的可能性，具体而言，通过拼接伪客户端模型来训练一个能够继承原始模型训练数据记忆知识的重构模型。此过程揭示了SI固有的隐私泄露问题。基于这一见解，我们提出了一种针对SI中无需查询的服务器方攻击者的实用攻击策略，即知识转移成员推理攻击（KTMIA）。我们在多个基准数据集和模型上实现了KTMIA，全面的实验表明，在现实和最坏情况下的无需查询条件下，我们的方法在不同指标上均能实现更优的性能。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
An adaptive DNN inference acceleration framework with end-edge-cloud collaborative computing一种基于端边云协同计算的自适应DNN推理加速框架
PREAI
分享收藏分享收藏A Hybrid Deep Learning Architecture for Privacy-Preserving Mobile Analytics一种用于隐私保护移动分析的混合深度学习架构
OAAI
OAAI分享收藏
查看更多内容