Nova técnica de inferência de associação dispensa modelos de referência caros, baixando o custo de ataques de privacidade contra modelos grandes
Ataques de inferência de associação (que tentam determinar se um dado específico fez parte do conjunto de treinamento de um modelo) tradicionalmente exigem treinar modelos de referência auxiliares — algo caro demais para replicar contra modelos grandes modernos. Pesquisadores mostram que consultar o próprio modelo-alvo sobre pontos de dados vizinhos ao exemplo investigado recupera a mesma calibração sem nenhum treinamento adicional, obtendo sinal de associação competitivo a custo praticamente zero.
Fonte ↗