Anisha Roy

作者提出 MemGuard-Alpha，包含融合五种成员推断攻击（MIA）方法与时间邻近特征的复合污染分数，以及利用模型训练截止时间差异的跨模型记忆分歧，并在七个 LLM（124M–7B）、50 只标普 100 成分股、42,800 条提示与 299,600 条提示-模型 MIA 分数（2019–2024）上审计这两者，得到三项负面结果：时间邻近特征以 ROC-AUC 1.000 完美恢复样本内标签（因其是定义变量的单调变换），MIA 分数的判别力主要来自模型间规模差异（固定日期下原始分数 AUC 高达 0.99，但三种模型内归一化后降至 0.487–0.537），且在对称交易成本下没有任何过滤变体改善风险调整后表现、无一获得显

作者提出 MemGuard-Alpha，包含融合五种成员推断攻击（MIA）方法与时间邻近特征的复合污染分数，以及利用模型训练截止时间差异的跨模型记忆分歧，并在七个 LLM（124M–7B）、50 只标普 100 成分股、42,800 条提示与 299,600 条提示-模型 MIA 分数（2019–2024）上审计这两者，得到三项负面结果：时间邻近特征以 ROC-AUC 1.000 完美恢复样本内标签（因其是定义变量的单调变换），MIA 分数的判别力主要来自模型间规模差异（固定日期下原始分数 AUC 高达 0.99，但三种模型内归一化后降至 0.487–0.537），且在对称交易成本下没有任何过滤变体改善风险调整后表现、无一获得显