概念MIA / Membership Inference Attack
成员推理攻击
隐私审计领域的经典攻击范式，通过分析模型在训练集样本与非训练样本上的行为差异（如损失值、置信度），推断某个数据样本是否出现在模型训练集中
核心事实
时间轴 (近 90 天)
10月31日
成员推理攻击的防御手段包括差分隐私训练、正则化和输出置信度截断等，但往往会牺牲一定的模型效用。
待验证50%
10月30日
成员推理攻击（MIA）用于检测某张图像是否属于扩散模型的训练集。
待验证50%
10月30日
传统基于重建损失的成员推理方法将低损失图像标记为成员，但常因图像固有易重建性而失效。
待验证50%
10月14日
自2017年Shokri等人提出针对机器学习模型的成员推理攻击框架以来，MIA已成为隐私评估的核心基准之一。
待验证50%
10月14日
类别粒度更高、多数类样本占比更大的数据集更容易受到成员推理攻击。
待验证50%
10月13日
成员推断攻击是指攻击者通过观察模型对特定样本的输出（如置信度、预测概率），推断该样本是否曾参与模型训练；典型信号是模型对训练样本的置信度显著高于非训练样本。
已验证75%
全部知识事实 (7)
已验证
当模型训练数据包含评测集题目或高度相似内容时，模型可能通过记忆而非真正理解获得高分
80%已验证成员推断攻击是指攻击者通过观察模型对特定样本的输出（如置信度、预测概率），推断该样本是否曾参与模型训练；典型信号是模型对训练样本的置信度显著高于非训练样本。
75%待验证成员推理攻击的防御手段包括差分隐私训练、正则化和输出置信度截断等，但往往会牺牲一定的模型效用。
50%待验证传统基于重建损失的成员推理方法将低损失图像标记为成员，但常因图像固有易重建性而失效。
50%待验证成员推理攻击（MIA）用于检测某张图像是否属于扩散模型的训练集。
50%待验证类别粒度更高、多数类样本占比更大的数据集更容易受到成员推理攻击。
50%待验证自2017年Shokri等人提出针对机器学习模型的成员推理攻击框架以来，MIA已成为隐私评估的核心基准之一。
50%