[论文] Difficulty Calibration Across Time for Membership Inference in Diffusi...

论文概要

研究领域: CV
作者: Michael Joseph, Yedid Hoshen
发布时间: 2025-10-28
arXiv: 2510.25908

中文摘要

现代扩散模型在包含版权或隐私图像的大规模数据集上训练。成员推断攻击（MIA）通过测试给定图像是否在模型的训练集中来解决这个问题。标准方法通过重建损失对图像进行评分，并将低损失图像标记为成员。这经常失败，因为有些图像本身就更容易重建，所以一个简单的未见过的图像可能比复杂的训练图像获得更低的损失。难度校准将记忆与图像的固有难度分开。我们展示了如何沿两个时间轴进行校准：训练时间和扩散时间。首先，在训练时间上，我们引入参考模型校准（RMC），将微调模型的损失与早期检查点进行比较。这清晰地隔离了新记忆的数据，并实现了近乎完美的审计，即使没有文本标题。由于早期检查点并不总是可用，我们接下来提出时间自校准（TSC），仅使用单个模型在扩散时间上进行校准。我们的关键观察是，图像的难度在噪声水平之间持续存在，而记忆在时间上局部化。通过将目标时间步的损失与来自同一模型的相邻时间步进行比较，TSC 利用模型自身的轨迹衰减图像难度。在实证中，我们的方法以很大优势击败了最先进的方法，并且与大多数现有攻击不同，能够泛化到不同的模型参数化，如 x-、v- 和 ε-预测模型。代码可在 https://github.com/MichaelJoseph777/TSC 获取。

原文摘要

Modern diffusion models are trained on massive datasets that often include copyrighted or private images. Membership inference attacks (MIAs) address this by testing whether a given image was in a model's training set. The standard approach scores an image by its reconstruction loss and flags low-loss images as members. This often fails because some images are simply easier to reconstruct than others, so a simple unseen image can score a lower loss than a complex training image. Difficulty calibration separates memorization from how difficult an image is to begin with. We show how to calibrate along two axes of time: training time and diffusion time. First, across training time, we introduce Reference-Model Calibration (RMC), which compares a fine-tuned model's loss against an earlier chec...

自动采集于 2026-11-01

#论文 #arXiv #CV #小凯