ترجمه فارسی مقاله حملات استنتاج عضویت در محدوده

چکیده

Machine learning models can leak private information about their training data, but the standard methods to measure this risk, based on membership inference attacks (MIAs), have a major limitation. They only check if a given data point textit{exactly} matches a training point, neglecting the potential of similar or partially overlapping data revealing the same private information. To address this issue, we introduce the class of range membership inference attacks (RaMIAs), testing if the model was trained on any data in a specified range (defined based on the semantics of privacy). We formulate the RaMIAs game and design a principled statistical test for its complex hypotheses. We show that RaMIAs can capture privacy loss more accurately and comprehensively than MIAs on various types of data, such as tabular, image, and language. RaMIA paves the way for a more comprehensive and meaningful privacy auditing of machine learning algorithms.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری ماشین می توانند اطلاعات خصوصی را در مورد داده های آموزشی خود نشت کنند ، اما روش های استاندارد برای اندازه گیری این خطر ، بر اساس حملات استنباط عضویت (MIA) ، محدودیت عمده ای دارند.آنها فقط بررسی می کنند که آیا یک نقطه داده خاص textit {دقیقاً} با یک نقطه آموزشی مطابقت دارد و از پتانسیل داده های مشابه یا جزئی همپوشانی که همان اطلاعات خصوصی را نشان می دهد ، غفلت می کند.برای پرداختن به این مسئله ، ما کلاس حملات استنباط عضویت در محدوده (RAMIAS) را معرفی می کنیم ، آزمایش می کنیم که آیا این مدل بر روی هر داده ای در یک محدوده مشخص آموزش داده شده است (بر اساس معناشناسی حریم خصوصی تعریف شده است).ما بازی Ramias را تدوین می کنیم و یک آزمایش آماری اصولی را برای فرضیه های پیچیده آن طراحی می کنیم.ما نشان می دهیم که رامیاس می تواند از دست دادن حریم خصوصی دقیق تر و جامع تر از MIA ها در انواع مختلف داده ها مانند جداول ، تصویر و زبان استفاده کند.رامیا راه را برای ممیزی حریم خصوصی جامع تر و معنادار الگوریتم های یادگیری ماشین هموار می کند.