成员推理攻击

成员推理攻击（MIA）用于检测某张图像是否属于扩散模型的训练集。

传统基于重建损失的成员推理方法将低损失图像标记为成员，但常因图像固有易重建性而失效。

自2017年Shokri等人提出针对机器学习模型的成员推理攻击框架以来，MIA已成为隐私评估的核心基准之一。

类别粒度更高、多数类样本占比更大的数据集更容易受到成员推理攻击。

成员推断攻击是指攻击者通过观察模型对特定样本的输出（如置信度、预测概率），推断该样本是否曾参与模型训练；典型信号是模型对训练样本的置信度显著高于非训练样本。