ReproMIA：主动会员推理攻击模型重编程的综合分析

由于深度学习模型固有的数据记忆倾向，跨关键领域的普遍部署同时加剧了隐私问题。虽然成员推理攻击 (MIA) 是审计这些隐私漏洞的黄金标准，但传统的 MIA 范式越来越受到影子 模型训练 令人望而却步的计算成本以及低误报率约束下性能急剧下降的限制。为了克服这些挑战，我们引入了一种新颖的视角，利用模型重新编程的原理作为隐私泄露的主动信号放大器。基于这一见解，我们提出了 \texttt{ReproMIA}，一个统一且高效的主动成员推理框架。我们从理论上和经验上严格证实了我们的方法如何主动诱导和放大模型表示中嵌入的潜在隐私足迹。我们提供跨不同架构范例的 \texttt{ReproMIA} 的专门实例化，包括 LLM、扩散模型和分类模型。对十多个基准和各种模型架构的综合实验评估表明，\texttt{ReproMIA} 始终且大幅优于现有的最先进基线，特别是在低 FPR 范围内实现了性能的革命性飞跃，例如与亚军 LLM 相比，平均 5.25\% AUC 和 10.68\% TPR@1\%FPR 增加，以及扩散模型分别为 3.70\% 和 12.40\%。