面向 Two-Tower 神经网络的无关先验成员推断攻击

这是一个针对 two-tower 推荐架构成员推断攻击的一作研究项目，重点在于攻击方法设计、实验评估以及安全含义分析。

研究问题

Two-tower 模型因其高效检索能力而被广泛用于推荐系统，但这类结构也带来一个重要问题：攻击者在什么条件下能够推断某个用户或样本是否参与了模型训练？

本项目在较少依赖理想化前提的设定下研究这一问题，力求更接近实际系统中的隐私风险理解。

主要贡献

• 定义研究方向与威胁模型 framing
• 设计攻击方法
• 完成实验评估
• 分析结果对推荐模型安全意味着什么

为什么重要

成员推断并不只是抽象的隐私风险。在推荐系统场景中，它可能泄露某些用户行为或记录是否进入训练过程，因此同时关联到隐私、治理与模型部署边界。

通过在实际架构上研究这类攻击，这项工作尝试把理论上的隐私风险与组织真实部署的系统连接起来。