标签
本文提出了一种基于LLM鉴别的方法，用于审计合成表格数据的隐私，通过让LLM将样本分类为真实或合成，表明LLM鉴别可以作为一种实用的隐私审计信号。
LoRA-MINT 是一种用于对经 LoRA 微调的大语言模型进行成员推理测试的方法，在判断数据是否用于训练方面实现了高精度，并超越了基线方法。
本文通过分析插值路径，研究了对 Rectified Flows 的成员推断攻击，揭示了训练数据与测试数据重构之间的钟形差距，该差距在训练过程中累积。
统一综述大语言模型中的预训练数据暴露（PDE），涵盖成员推理、数据污染和安全影响，并回顾了攻击与防御方法。
本文研究了针对微调掩码扩散语言模型（MDLMs）的成员推断攻击（MIA）。提出了一种白盒攻击，利用模型在不同掩码比率下的重构损失构建46维特征向量，取得了较高的AUC分数，表明MDLMs的脆弱性超出先前预期。
本文系统性地研究了轨迹数据生成模型中的隐私风险，发现了经验隐私评估中的空白，并对代表性模型展示了成员推理攻击。
本研究论文探讨了表格扩散模型中的隐私泄露问题，量化了训练设置、合成选择以及攻击者知识对隐私风险的影响。研究发现，即使在没有完美知识或庞大资源的情况下，攻击者仍能成功实施攻击，并揭示了启发式隐私评估指标的潜在缺陷。