频域成员推断方法被证不优于置信度阈值

成员推断研究中长期流传一种假说，认为模型在记忆样本时更依赖细粒度细节，因此通过降低输入分辨率可观察预测结果的瓦解速度，从而暴露样本是否属于训练集。Mohammad Zare等人针对这一假说进行了按频段（band-by-band）的解析性测试，将频域成员推断方法与简单的单一置信度阈值基线进行了直接对比。在正常训练的ResNet-18模型上，频域方法的最佳AUC为0.513，表现不及0.537的阈值基线。即便在过拟合模型场景中，频域方法0.735的得分也远低于0.943的阈值得分。该研究证实，基于分辨率退化的成员推断策略在有效性上并非优于基础置信度阈值，挑战了学界关于细粒度特征在成员推理中发挥核心作用的广泛认知。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。