Small-Noise Injection Driven Noise Aggregation Analysis: Diffusion モデルに対する効率的なメンバー推測

arXiv:2510.21783v2 Announce Type: replace 摘要：ディフューズモデルは、高品質な画像を生成する強力な性能を示しています。典型的な例は、Stable Diffusion などのテキストからの画像生成モデルです。しかし、その普及は潜在的なプライバシーリスクをもたらす可能性があります。主要な懸念は、モデルトレーニングプロセスにおいて特定のデータサンプルが使用されたかどうかを決定しようとするメンバー推測攻撃です。現在、ディフューズモデルに対するメンバー推測攻撃は、サンプル損失の違いを直接活用するか、画像レベルの再構成の違いに依存しており、両方のアプローチはディフューズプロセス中のノイズ予測の一貫性特性を一般的に無視しています。その結果、推測精度が低いか、計算コストが高くなる傾向にあります。これらの欠点を解決するために、ノイズ集合分析に基づくメンバー推測方法を提案し、メンバーサンプルと非メンバーサンプルの間の違いを拡大するために、1 ステップの低強度ノイズ注入ディフューズ戦略を導入しました。提案したアプローチは、モデルクエリ要件を著しく削減するとともに、より効率的で精度の高いメンバー推測を提供します。

arXiv:2510.21783v2 Announce Type: replace Abstract: Diffusion models have demonstrated powerful performance in generating high-quality images. A typical example is text-to-image generator like Stable Diffusion. However, their widespread use also poses potential privacy risks. A key concern is membership inference attacks, which attempt to determine whether a particular data sample was used in the model training process. Existing membership inference attacks against diffusion models either directly exploit sample loss differences or rely on image-level reconstruction differences. Both approaches commonly ignore the consistency characteristics of noise prediction during the diffusion process, resulting in either low inference accuracy or high computational costs. To address these shortcomings, we propose a membership inference method based on noise aggregation analysis, and introduce a single-step, low-intensity noise injection diffusion strategy to amplify differences between member and non-member samples. Our proposed approach substantially reduces model query requirements while delivering more efficient and accurate membership inference.