Fingerprint Membership and Identity Inference Against Generative Adversarial Networks

生成模型正成为一个潜在的工业革命催化剂，引起了相当大的关注。由于自动样本生成可以解决通常影响学习生物计量模型的隐私和数据稀缺问题，因此这些技术在这个领域得到了广泛应用。本文通过设计和测试一个针对生成对抗网络创建的指纹数据集的身份推断攻击，评估了生成机器学习模型在身份保护方面的漏洞。实验结果表明，所提出的解决方案在不同配置下都证明是有效的，并且很容易扩展到其他生物计量测量。

本论文旨在评估生成机器学习模型在身份保护方面的漏洞，设计和测试了一种针对生成对抗网络创建的指纹数据集的身份推断攻击。

该论文提出了一种身份推断攻击方法，可以有效地攻击生成的生物特征模型，该方法易于扩展到其他生物特征测量中。

论文使用了生成对抗网络创建指纹数据集，并设计了身份推断攻击方法进行实验，结果表明该方法可以有效攻击生成模型。论文提供了开源代码和数据集，值得进一步研究。

在最近的相关研究中，有一篇名为“Biometric Recognition with Generative Adversarial Networks: A Survey”的综述文章，该文章介绍了生成对抗网络在生物特征识别中的应用。