Vol des hyperparamètres en apprentissage automatique

Les hyperparamètres sont critiques dans l'apprentissage automatique, car différents hyperparamètres entraînent souvent des modèles avec des performances significativement différentes. Les hyperparamètres peuvent être considérés comme confidentiels en raison de leur valeur commerciale et de la confidentialité des algorithmes propriétaires que l'apprenant utilise pour les apprendre. Dans ce travail, nous proposons des attaques pour voler les hyperparamètres appris par un apprenant. Nous appelons nos attaques des attaques de vol d'hyperparamètres. Nos attaques sont applicables à une variété d'algorithmes d'apprentissage automatique populaires tels que la régression ridge, la régression logistique, la machine à vecteurs de support et le réseau neuronal. Nous évaluons l'efficacité de nos attaques à la fois théoriquement et empiriquement. Par exemple, nous évaluons nos attaques sur Amazon Machine Learning. Nos résultats démontrent que nos attaques peuvent voler avec précision des hyperparamètres. Nous étudions également des contre-mesures. Nos résultats mettent en évidence la nécessité de nouvelles défenses contre nos attaques de vol d'hyperparamètres pour certains algorithmes d'apprentissage automatique.