本文提出了一种新的基于特征学习技术的社交关系推断攻击方法，它可以预测任意两个人之间的社交关系，并且不需要具有任何先前的社交关系知识，而且作者还提出了三种防御机制来降低移动数据分享带来的社交连接隐私风险。实验结果表明，隐藏和替换机制是最有效的，二者在效用和隐私之间提供了可比较的权衡。

Aug, 2017

本文研究了在使用机器学习模型提供服务时出现的数据隐私问题，尤其是会员推理攻击和属性推理攻击，并发现基于成员推理攻击的模型很少容易受到属性推理攻击，但是基于近似属性推理的攻击可以获取接近真实属性的结果。

Mar, 2021

评估了人们修改公开数据以保护隐私的能力，发现人们的效力不如人工智能。强调现代 AI 时代需要算法支持来保护个人信息。

Apr, 2023

本研究调查了对图结构数据及其相应的图神经网络模型的黑盒属性推理攻击是否构成重要的隐私风险，并发现当攻击者具有对目标模型的黑盒访问权限时，与缺失值估计技术相比，GNNs 通常不会显着透露更多信息。

Jun, 2023

本文第一次尝试从成员推理的角度量化推荐系统的隐私泄漏，并提出了基于成员推理的攻击框架和防御机制。实验结果表明，攻击框架具有强大的性能。

Sep, 2021

该研究提出了一种新的隐私保护技术，通过使用干扰攻击来保护用户的隐私信息免遭基于机器学习分类器的信息泄露攻击，该方法有效降低了用户公开信息的隐私损失。

May, 2018

我们采用神经网络学习个人的多维表示，结合社交媒体上的丰富语言和网络证据，从而综合推断人们在线的潜在属性，包括性别、职业、位置和友谊，并在推特上实现了分类、学习表示和预测任务的提高性能。

Oct, 2015

本文通过分析社交网站（如 Facebook）上可被利用用以预测个人特征的信息，提出了一种能够提供对某些统计模型中对用户的推断的透明度以及控制来隐瞒个人信息以控制信息泄露的方法，并利用该方法检查用户是否能够真正实现这一隐私保护的目标。在应用于大量真实用户 Facebook 数据的过程中，我们发现仅需隐藏用户 “Facebook Likes” 数据的一小部分即可抑制有关其个人特征的推断，然而，我们也发现企业可以通过改变用户模型来增加隐瞒的难度。

Jun, 2016

本文聚焦于模型反演攻击，介绍了一种新的基于置信度分数的攻击方法和仅需要模型预测标签的攻击方法，并将攻击算法应用在决策树和深度神经网络上，评估了不同数据集在不同身份特征条件下的漏洞性。

Jan, 2022

本文提出了一种名为 Adv4SG 的新型文本领域对抗性攻击方法，旨在通过一系列词汇扰动来保护社交媒体上的个人属性隐私，有效地降低基于自然语言处理技术的属性推断攻击的影响。

Jun, 2023