Ataques de Inferencia Basados en Imágenes y Atributos Mediante Redes Neuronales Convolucionales en Redes Sociales

En la sociedad moderna, las redes sociales desempeñan un papel importante para los usuarios en línea. Sin embargo, un problema innegable detrás del auge de los servicios son los problemas de privacidad. Al mismo tiempo, las redes neuronales se han desarrollado rápidamente en los últimos años y han demostrado ser muy efectivas en ataques de inferencia. Este artículo propone un nuevo marco para ataques de inferencia en redes sociales, que integra y modifica inteligentemente los modelos de redes neuronales convolucionales (CNN) de última generación. Como resultado, el marco puede adaptarse a escenarios más amplios aplicables para ataques de inferencia, sin importar si un usuario tiene una imagen de perfil legítima o no. Además, el marco puede aumentar la precisión de las CNN existentes para la predicción de información sensible. Además del marco, el artículo también muestra la configuración detallada de redes neuronales completamente conectadas (FCNN) para ataques de inferencia. Esta parte suele faltar en los estudios existentes. Además, se implementan algoritmos tradicionales de aprendizaje automático para comparar los resultados de la FCNN construida. Por último, pero no menos importante, este artículo también discute que aplicar la privacidad diferencial (DP) puede socavar efectivamente la precisión de los ataques de inferencia en redes sociales.