Buchumschlag

Shake to Leak: Fine-tuning Diffusion Models Can Amplify the Generative Privacy Risk

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Zhangheng, Hong, Junyuan, Li, Bo, Wang, Zhangyang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Generated Data with Fake Privacy: Hidden Dangers of Fine-tuning Large Language Models on Generated Data
von: Akkus, Atilla, et al.
Veröffentlicht: (2024)

Navigating the Designs of Privacy-Preserving Fine-tuning for Large Language Models
von: Shi, Haonan, et al.
Veröffentlicht: (2025)

The Janus Interface: How Fine-Tuning in Large Language Models Amplifies the Privacy Risks
von: Chen, Xiaoyi, et al.
Veröffentlicht: (2023)

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

Recalling The Forgotten Class Memberships: Unlearned Models Can Be Noisy Labelers to Leak Privacy
von: Sui, Zhihao, et al.
Veröffentlicht: (2025)

DeepLeak: Privacy Enhancing Hardening of Model Explanations Against Membership Leakage
von: Hmida, Firas Ben, et al.
Veröffentlicht: (2026)

Detecting Instruction Fine-tuning Attacks using Influence Function
von: Li, Jiawei
Veröffentlicht: (2025)

Fine-tuning is Not Fine: Mitigating Backdoor Attacks in GNNs with Limited Clean Data
von: Zhang, Jiale, et al.
Veröffentlicht: (2025)

SoK: Can Trajectory Generation Combine Privacy and Utility?
von: Buchholz, Erik, et al.
Veröffentlicht: (2024)

Data Plagiarism Index: Characterizing the Privacy Risk of Data-Copying in Tabular Generative Models
von: Ward, Joshua, et al.
Veröffentlicht: (2024)

Real-Time Privacy Risk Measurement with Privacy Tokens for Gradient Leakage
von: Meng, Jiayang, et al.
Veröffentlicht: (2025)

Fine-tuning of Large Language Models for Domain-Specific Cybersecurity Knowledge
von: Huang, Yuan
Veröffentlicht: (2025)

De-amplifying Bias from Differential Privacy in Language Model Fine-tuning
von: Srivastava, Sanjari, et al.
Veröffentlicht: (2024)

Double-I Watermark: Protecting Model Copyright for LLM Fine-tuning
von: Li, Shen, et al.
Veröffentlicht: (2024)

Beyond Data Privacy: New Privacy Risks for Large Language Models
von: Du, Yuntao, et al.
Veröffentlicht: (2025)

Selective Pre-training for Private Fine-tuning
von: Yu, Da, et al.
Veröffentlicht: (2023)

Visual Privacy Auditing with Diffusion Models
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

LeakAgent: RL-based Red-teaming Agent for LLM Privacy Leakage
von: Nie, Yuzhou, et al.
Veröffentlicht: (2024)

Can Copyright be Reduced to Privacy?
von: Elkin-Koren, Niva, et al.
Veröffentlicht: (2023)

Quantifying Memorization and Privacy Risks in Genomic Language Models
von: Nemecek, Alexander, et al.
Veröffentlicht: (2026)

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

SoK: Reducing the Vulnerability of Fine-tuned Language Models to Membership Inference Attacks
von: Amit, Guy, et al.
Veröffentlicht: (2024)

Pharmacist: Safety Alignment Data Curation for Large Language Models against Harmful Fine-tuning
von: Liu, Guozhi, et al.
Veröffentlicht: (2025)

TMI! Finetuned Models Leak Private Information from their Pretraining Data
von: Abascal, John, et al.
Veröffentlicht: (2023)

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

Privately Learning from Graphs with Applications in Fine-tuning Large Language Models
von: Yin, Haoteng, et al.
Veröffentlicht: (2024)

PLeak: Prompt Leaking Attacks against Large Language Model Applications
von: Hui, Bo, et al.
Veröffentlicht: (2024)

On the Privacy Risk of In-context Learning
von: Duan, Haonan, et al.
Veröffentlicht: (2024)

Where have you been? A Study of Privacy Risk for Point-of-Interest Recommendation
von: Cai, Kunlin, et al.
Veröffentlicht: (2023)

PrivDiffuser: Privacy-Guided Diffusion Model for Data Obfuscation in Sensor Networks
von: Yang, Xin, et al.
Veröffentlicht: (2024)

Towards Building Non-Fine-Tunable Foundation Models
von: Wang, Ziyao, et al.
Veröffentlicht: (2026)

Exploring Privacy and Fairness Risks in Sharing Diffusion Models: An Adversarial Perspective
von: Luo, Xinjian, et al.
Veröffentlicht: (2024)

BrainLeaks: On the Privacy-Preserving Properties of Neuromorphic Architectures against Model Inversion Attacks
von: Poursiami, Hamed, et al.
Veröffentlicht: (2024)

Private LoRA Fine-tuning of Open-Source LLMs with Homomorphic Encryption
von: Frery, Jordan, et al.
Veröffentlicht: (2025)

Understanding Deep Gradient Leakage via Inversion Influence Functions
von: Zhang, Haobo, et al.
Veröffentlicht: (2023)

Convergent Differential Privacy Analysis for General Federated Learning
von: Sun, Yan, et al.
Veröffentlicht: (2024)

FinP: Fairness-in-Privacy in Federated Learning by Addressing Disparities in Privacy Risk
von: Zhao, Tianyu, et al.
Veröffentlicht: (2025)

Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM
von: Xie, Chulin, et al.
Veröffentlicht: (2022)

Towards Resilient Safety-driven Unlearning for Diffusion Models against Downstream Fine-tuning
von: Li, Boheng, et al.
Veröffentlicht: (2025)

Quantamination: Dynamic Quantization Leaks Your Data Across the Batch
von: Foerster, Hanna, et al.
Veröffentlicht: (2026)