Winning the MIDST Challenge: New Membership Inference Attacks on Diffusion Models for Tabular Data Synthesis
Created by
Haebom
Category
Empty
저자
Xiaoyu Wu, Yifei Pang, Terrance Liu, Steven Wu
개요
본 논문은 확산 모델을 이용한 표 형태 데이터 합성에서의 개인정보 보호 위험을 엄격하게 평가하는 연구이다. 기존의 개인정보 보호 평가는 휴리스틱 지표나 약한 멤버십 추론 공격(MIA)에 의존하여 위험을 제대로 평가하지 못하는 한계가 있었다. 본 연구는 이미지 모델에 대해 설계된 최첨단 공격들이 표 형태 데이터 합성에는 효과적이지 않다는 것을 밝히고, 노이즈 초기화가 공격 효과에 중요한 영향을 미친다는 것을 규명하였다. 다양한 노이즈와 시간 단계에 걸친 손실 특징을 활용하는 기계 학습 기반 접근 방식을 제안하며, 경량 MLP로 구현된 본 방법은 멤버십 신호를 효과적으로 학습하여 수동 최적화가 필요 없다. MIDST Challenge @ SaTML 2025에서의 실험 결과는 본 접근 방식의 효과를 보여주며, 모든 트랙에서 1위를 차지했다. 코드는 https://github.com/Nicholas0228/Tartan_Federer_MIDST 에서 확인 가능하다.
