Gestohlene Hyperparameter im maschinellen Lernen

Hyperparameter sind entscheidend im maschinellen Lernen, da unterschiedliche Hyperparameter oft zu Modellen mit signifikant unterschiedlicher Leistung führen. Hyperparameter können als vertraulich betrachtet werden, aufgrund ihres kommerziellen Werts und der Vertraulichkeit der proprietären Algorithmen, die der Lernende verwendet, um sie zu lernen. In dieser Arbeit schlagen wir Angriffe vor, um die Hyperparameter zu stehlen, die von einem Lernenden erlernt werden. Wir nennen unsere Angriffe Hyperparameter-Diebstahl-Angriffe. Unsere Angriffe sind anwendbar auf eine Vielzahl von beliebten Algorithmen des maschinellen Lernens, wie Ridge-Regression, logistische Regression, Support-Vektor-Maschine und neurale Netzwerke. Wir bewerten die Wirksamkeit unserer Angriffe sowohl theoretisch als auch empirisch. Zum Beispiel bewerten wir unsere Angriffe auf Amazon Machine Learning. Unsere Ergebnisse zeigen, dass unsere Angriffe Hyperparameter genau stehlen können. Wir untersuchen auch Gegenmaßnahmen. Unsere Ergebnisse heben die Notwendigkeit neuer Abwehrmechanismen gegen unsere Hyperparameter-Diebstahl-Angriffe für bestimmte Algorithmen des maschinellen Lernens hervor.