文章摘要:针对现有成员推理攻击（MIA）在面向正常拟合迁移学习模型时性能较差的问题，对迁移学习模型在正常拟合情况下的MIA进行了系统的研究，设计异常样本检测获取容易受攻击的数据样本，实现对单个样本的成员推理攻击。最终，将提出的攻击方法在4种图像数据集上展开攻击验证，结果表明，所提MIA有较好的攻击性能。例如，从VGG16（用Caltech101预训练）迁移的Flowers102分类器上，所提MIA实现了83.15%的成员推理精确率，揭示了在迁移学习环境下，即使不访问教师模型，通过访问学生模型依然能实现对教师模型的MIA。

文章关键词:

项目基金: