Fair Finetuning Mitigates Distribution Inference Attacks
Dieses Paper führt Fair Fine-tuning (FFt) ein, eine Methode, die Distribution Inference Attacks durch das Fine-tuning von Modellen auf komplementären Daten unter Equalized-Odds-Constraints mildert, wobei theoretisch bewiesen wird, dass der adversarielle Vorteil durch Fairness-Disparität begrenzt ist, und empirisch signifikante Reduktionen des Angriffserfolgs über diverse Datensätze hinweg demonstriert wird.