ReproMIA: Neue Methode für effiziente Membership‑Inference‑Angriffe

In einer Zeit, in der Deep‑Learning‑Modelle immer stärker in kritischen Bereichen eingesetzt werden, wächst die Sorge um die Privatsphäre, weil diese Modelle dazu neigen, Trainingsdaten zu memorieren. Traditionelle Membership‑Inference‑Attacks (MIAs) stoßen dabei an ihre Grenzen: Sie erfordern aufwändige Shadow‑Model‑Trainings und verlieren bei niedrigen False‑Positive‑Rate‑Zielen an Genauigkeit.

Die neue Arbeit präsentiert ReproMIA, ein innovatives Konzept, das die Prinzipien des Model‑Reprogramming nutzt, um als aktiver Signalverstärker für Datenschutzverletzungen zu fungieren. Durch gezielte Reprogrammierung werden latente Privatsphäre‑Spuren im Modell verstärkt und sichtbar gemacht, ohne dass zusätzliche Modelle trainiert werden müssen.

ReproMIA wird in verschiedenen Architekturen demonstriert – von großen Sprachmodellen (LLMs) über Diffusionsmodelle bis hin zu klassischen Klassifikatoren. Umfangreiche Experimente an über zehn Benchmarks zeigen, dass ReproMIA die bestehenden Spitzenreiter deutlich übertrifft, insbesondere in Low‑FPR‑Szenarien. Für LLMs erzielt es beispielsweise einen durchschnittlichen Anstieg von 5,25 % im AUC‑Wert und 10,68 % bei TPR@1 % FPR im Vergleich zum nächstbesten Verfahren. Auch bei Diffusions‑ und Klassifikationsmodellen liegen die Verbesserungen im einstelligen Prozentbereich.

Mit ReproMIA wird ein neuer Standard für effiziente und leistungsstarke Membership‑Inference‑Angriffe gesetzt, der die Sicherheit von Deep‑Learning‑Modellen in sensiblen Anwendungen nachhaltig stärkt.