MoE路由器遥测隐私泄露研究
Get the story
2026年10月9日，arXiv Machine Learning Theory 发表一篇关于 MoE 路由遥测隐私泄漏的一手论文。论文提出一种路由增强的成员推断攻击，结合传统输出侧信号与聚合路由特征，并用独立微调的影子模型训练成员分类器。研究在三种 MoE 架构和三个数据域的九项设置中测试，发现路由遥测在 1% 假阳性率下将真阳性率提升 2.7–9.4 个百分点。该泄漏在全量微调、冻结路由训练、LoRA 和指令微调下均存在，即使只有离散专家选择、受限遥测或单个影子模型也可观测。目前报道仅涉及该论文的方法与实验结果，未提及其他后续验证或回应。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning TheoryMoE 路由遥测如何泄露成员信息：微调数据的隐私泄漏
论文提出一种路由增强的成员推断攻击，结合传统输出侧信号与聚合路由特征，并用独立微调的影子模型训练成员分类器。在三种 MoE 架构和三个数据域的九项设置中，路由遥测在 1% FPR 下将 TPR 提升 2.7–9.4 个百分点。该泄漏在全量微调、冻结路由训练、LoRA 和指令微调下均存在，即使只有离散专家选择、受限遥测或单个影子模型也可观测。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.