一般化とメンバーシップ推論攻撃：実践的な観点から
arXiv cs.LG / 2026/4/23
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、メンバーシップ推論攻撃（MIA）の成功率とモデルの一般化の関係を、更新された評価指標や攻撃手法を踏まえて再検証します。
- データ拡張や早期終了といった強力な一般化手法により、MIAの攻撃性能が最大で100倍程度まで大幅に低下し得ることを実験的に示します。
- 一般化手法を組み合わせると、一般化が向上するだけでなく、学習中にランダム性を導入することで攻撃の有効性がさらに下がることが分かります。
- 制御環境で1,000モデル以上を分析し、一般化がMIAの結果に直接影響することを裏付けます。
