---
title: "成員推斷攻擊（Membership Inference Attack）"
slug: membership-inference-attack
language: zh-TW
source: https://aiterms.tw/terms/membership-inference-attack
updated_at: 2026-04-29
tags: [機器學習, 資訊安全, AI倫理與治理, 模型評估, 模型訓練]
ipas_term: false
---

# 成員推斷攻擊（Membership Inference Attack）

> **你有沒有想過，模型會不會把訓練過的人和沒看過的人偷偷分出來？**
>
> 你可以把成員推斷攻擊想成，攻擊者想猜某筆資料是不是曾經出現在訓練集裡。
> 它重要在於，這不是普通的分類錯誤，而是可能把使用者是否被模型「看過」這件事洩漏出去。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **成員推斷攻擊 vs 模型反演攻擊**
>
> 成員推斷攻擊：猜某筆資料有沒有在訓練集裡。
> 模型反演攻擊：從模型輸出反推出訓練資料長相或特徵。
> 最關鍵的區別：前者問「有沒有看過」，後者問「看過什麼」。

> **成員推斷攻擊 vs 一般隱私風險**
>
> 成員推斷攻擊：是可操作、可驗證的攻擊方法。
> 一般隱私風險：是更廣泛的風險描述。
> 最關鍵的區別：前者是具體手法，後者是抽象風險。

### 記住這句就好

> 攻擊者要猜的是「有沒有進過訓練集」。

### 實際案例

> **醫療模型隱私**
>
> 如果一個模型對訓練過的病歷輸出特別自信，攻擊者就可能藉此推斷某人是否曾被納入資料集。

> **會員資料查詢**
>
> 有些服務若直接暴露模型信心分數，外部人就可能利用分數差異猜出某筆資料是不是訓練成員。

### 算法與應用

> 攻擊通常利用模型對訓練資料和非訓練資料的信心差異。
> 過度擬合越嚴重，這種差異常常越明顯，攻擊也越容易成功。
> 差分隱私、正則化和輸出限制都能降低風險。

### 情境判斷

> **Q1（情境題）：** 如果模型只回傳最終答案，不回傳信心分數，攻擊就一定失效嗎？
>
> → 不一定。信心分數會讓攻擊更容易，但即使只看答案，攻擊者有時還是能從行為差異推測。

> **Q2（情境題）：** 模型準確率越高，就越容易被成員推斷攻擊嗎？
>
> → 看情況。若高準確率來自合理泛化，風險不一定高；但若高準確率其實是過擬合，攻擊成功率可能上升。

### 常見問題

> **Q：成員推斷攻擊和資料外洩是一樣的嗎？**
>
> 不完全一樣。資料外洩是更廣泛的事件，成員推斷攻擊是其中一種具體手法。

> **Q：哪種模型比較容易中招？**
>
> 常見是過擬合、資料量小或輸出很細的模型。

> **Q：怎麼降低風險？**
>
> 可以用差分隱私、正則化、早停和限制輸出資訊。

### 相關術語

> - **模型反演攻擊**：兩者常一起被拿來討論隱私風險。
> - **差分隱私**：最重要的防禦工具之一。
> - **資料隱私**：理解攻擊為了什麼，才能看懂防禦的目的。
> - **黑箱模型**：黑箱越黑，越難檢查是否被利用。

---

來源：https://aiterms.tw/terms/membership-inference-attack
快查頁：https://aiterms.tw/terms/membership-inference-attack
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-membership-inference-attack