Buchumschlag

Ensembler: Protect Collaborative Inference Privacy from Model Inversion Attack via Selective Ensemble

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Dancheng, Xu, Chenhui, Li, Jiajie, Nassereldine, Amir, Xiong, Jinjun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

xMLP: Revolutionizing Private Inference with Exclusive Square Activation
von: Li, Jiajie, et al.
Veröffentlicht: (2024)

FP64 is All You Need: Rethinking Failure Modes in Physics-Informed Neural Networks
von: Xu, Chenhui, et al.
Veröffentlicht: (2025)

Towards Understanding Multi-Round Large Language Model Reasoning: Approximability, Learnability and Generalizability
von: Xu, Chenhui, et al.
Veröffentlicht: (2025)

Adaptive Domain Inference Attack with Concept Hierarchy
von: Gu, Yuechun, et al.
Veröffentlicht: (2023)

Auditing Privacy Mechanisms via Label Inference Attacks
von: Busa-Fekete, Róbert István, et al.
Veröffentlicht: (2024)

Ensembling Membership Inference Attacks Against Tabular Generative Models
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

Evaluating Selective Encryption Against Gradient Inversion Attacks
von: Gu, Jiajun, et al.
Veröffentlicht: (2025)

Model Inversion Attacks Meet Cryptographic Fuzzy Extractors
von: Prabhakar, Mallika, et al.
Veröffentlicht: (2025)

A Sample-Level Evaluation and Generative Framework for Model Inversion Attacks
von: Li, Haoyang, et al.
Veröffentlicht: (2025)

Do Spikes Protect Privacy? Investigating Black-Box Model Inversion Attacks in Spiking Neural Networks
von: Poursiami, Hamed, et al.
Veröffentlicht: (2025)

Data-Free Privacy-Preserving for LLMs via Model Inversion and Selective Unlearning
von: Zhou, Xinjie, et al.
Veröffentlicht: (2026)

VoxGuard: Evaluating User and Attribute Privacy in Speech via Membership Inference Attacks
von: Tsaprazlis, Efthymios, et al.
Veröffentlicht: (2025)

FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
von: Gu, Yuechun, et al.
Veröffentlicht: (2024)

Membership Inference Attacks and Privacy in Topic Modeling
von: Manzonelli, Nico, et al.
Veröffentlicht: (2024)

IDT: Dual-Task Adversarial Attacks for Privacy Protection
von: Faustini, Pedro, et al.
Veröffentlicht: (2024)

Privacy-Preserving Optimal Parameter Selection for Collaborative Clustering
von: Ghasemian, Maryam, et al.
Veröffentlicht: (2024)

Exploring Vulnerabilities and Protections in Large Language Models: A Survey
von: Liu, Frank Weizhen, et al.
Veröffentlicht: (2024)

Explaining the Model, Protecting Your Data: Revealing and Mitigating the Data Privacy Risks of Post-Hoc Model Explanations via Membership Inference
von: Huang, Catherine, et al.
Veröffentlicht: (2024)

A Critical Review on the Effectiveness and Privacy Threats of Membership Inference Attacks
von: Jebreel, Najeeb, et al.
Veröffentlicht: (2026)

Rectifying Privacy and Efficacy Measurements in Machine Unlearning: A New Inference Attack Perspective
von: Naderloui, Nima, et al.
Veröffentlicht: (2025)

Adaptive Backtracking for Privacy Protection in Large Language Models
von: Yao, Zhihao, et al.
Veröffentlicht: (2025)

OSLO: One-Shot Label-Only Membership Inference Attacks
von: Peng, Yuefeng, et al.
Veröffentlicht: (2024)

Automated Membership Inference Attacks: Discovering MIA Signal Computations using LLM Agents
von: Tran, Toan, et al.
Veröffentlicht: (2026)

Privacy-Preserving Inference for Quantized BERT Models
von: Lu, Tianpei, et al.
Veröffentlicht: (2025)

When Fairness Meets Privacy: Exploring Privacy Threats in Fair Binary Classifiers via Membership Inference Attacks
von: Tian, Huan, et al.
Veröffentlicht: (2023)

Transferable Embedding Inversion Attack: Uncovering Privacy Risks in Text Embeddings without Model Queries
von: Huang, Yu-Hsiang, et al.
Veröffentlicht: (2024)

Can Differentially Private Fine-tuning LLMs Protect Against Privacy Attacks?
von: Du, Hao, et al.
Veröffentlicht: (2025)

How Breakable Is Privacy: Probing and Resisting Model Inversion Attacks in Collaborative Inference
von: Liu, Rongke, et al.
Veröffentlicht: (2025)

MixNN: Protection of Federated Learning Against Inference Attacks by Mixing Neural Network Layers
von: Boutet, Antoine, et al.
Veröffentlicht: (2021)

Metric Privacy in Federated Learning for Medical Imaging: Improving Convergence and Preventing Client Inference Attacks
von: Díaz, Judith Sáinz-Pardo, et al.
Veröffentlicht: (2025)

Membership Inference Attacks on Sequence Models
von: Rossi, Lorenzo, et al.
Veröffentlicht: (2025)

Federated Inference: Toward Privacy-Preserving Collaborative and Incentivized Model Serving
von: Seo, Jungwon, et al.
Veröffentlicht: (2026)

Privacy-Preserving Hierarchical Model-Distributed Inference
von: Dehkordi, Fatemeh Jafarian, et al.
Veröffentlicht: (2024)

CENTAUR: Bridging the Impossible Trinity of Privacy, Efficiency, and Performance in Privacy-Preserving Transformer Inference
von: Luo, Jinglong, et al.
Veröffentlicht: (2024)

GRID: Protecting Training Graph from Link Stealing Attacks on GNN Models
von: Lou, Jiadong, et al.
Veröffentlicht: (2025)

Bits for Privacy: Evaluating Post-Training Quantization via Membership Inference
von: Zhang, Chenxiang, et al.
Veröffentlicht: (2025)

Distributional Black-Box Model Inversion Attack with Multi-Agent Reinforcement Learning
von: Bao, Huan, et al.
Veröffentlicht: (2024)

SVDefense: Effective Defense against Gradient Inversion Attacks via Singular Value Decomposition
von: Luo, Chenxiang, et al.
Veröffentlicht: (2025)

Imitative Membership Inference Attack
von: Du, Yuntao, et al.
Veröffentlicht: (2025)

Privacy Attacks in Decentralized Learning
von: Mrini, Abdellah El, et al.
Veröffentlicht: (2024)