论文提出时序成员推断攻击 TMIA 可识别样本在持续更新模型中的训练时间

该论文首次系统研究了持续更新深度学习模型中的时序隐私风险，正式定义了“时序成员”概念并提出了名为 TMIA 的黑盒攻击方法。TMIA 利用双向 LSTM 分析模型在连续更新过程中的输出，旨在推断单个样本是否参与过训练以及具体的训练时间点，覆盖时间戳级和时间区间级粒度。

实验在三个语言模型和三个图像分类模型上进行，结果显示 TMIA 显著优于现有基线方法。作者同时评估了三种潜在防御措施，揭示了隐私保护与模型效用之间的权衡关系。材料未提及具体攻击成功率数值或特定模型名称，仅确认了跨模态的有效性。

事实层面，该研究证实动态训练行为引入了新的隐私漏洞；推断层面，这意味着依赖静态数据分布假设的隐私防护机制可能失效，需重新考虑持续学习场景下的安全设计；猜测层面，若行业广泛采用增量更新策略，此类攻击可能成为针对生产环境模型的常规威胁，但具体影响范围取决于实际部署频率和模型类型。