---
title: "Membership Inference Attackとは？【G検定】"
description: "メンバーシップ推論攻撃について、G検定で問われるAI倫理・法規分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
last_modified_at: "2026-07-06"
canonical_url: "https://stemtazoo.github.io/gk/membership-inference-attack/"
section: "gk"
---

## まず結論
**メンバーシップ推論攻撃（Membership Inference Attack）**とは、  
あるデータが**学習データに含まれていたかどうか**を、学習済みモデルの出力結果から推定する攻撃である。  
G検定では「データを抜く攻撃」との**違いを区別できるか**が問われる。

---

## 直感的な説明
この攻撃は、  
**「中身を盗む」のではなく「履歴を探る」**イメージ。

たとえば、
- ある人物のデータを入力する
- モデルの反応が異常に自信満々だった

このとき  
「この人のデータ、学習に使われてたのでは？」  
と**YES / NO を推測する**のがメンバーシップ推論攻撃。

---

## 定義・仕組み
**メンバーシップ推論攻撃**とは、

> モデルの出力（予測結果や確率）を利用して、  
> **特定のデータが学習データセットに含まれていたかどうか**を推定する攻撃

を指す。

重要な点は次の通り。

- 学習データの中身を復元しない  
- あくまで **含まれていたか否かの判定**
- 過学習しているモデルほど成功しやすい

G検定では  
「**プライバシー侵害リスク**」の代表例として出題される。

---

## いつ使う？（得意・不得意）
### 成立しやすい状況
- 過学習しているモデル
- 出力に確率やスコアが含まれる
- 学習データと未知データで挙動が違う場合

### 成立しにくい状況
- 汎化性能が高いモデル
- 出力が単純（ラベルのみ）
- 差分プライバシーなどの対策をしている場合

👉 **過学習＝メンバーシップ推論攻撃に弱い**、は頻出関係。

---

## G検定ひっかけポイント
ここが一番重要。

### データ窃取攻撃との違い
- ❌ データ窃取攻撃  
  → 学習データの**一部や特徴を抽出**
- ✅ メンバーシップ推論攻撃  
  → 学習データに**含まれていたかを判定**

### 選択肢での判断基準
- 「学習データを復元・抽出」  
  → **データ窃取攻撃**
- 「含まれていたかどうかを推定」  
  → **メンバーシップ推論攻撃**
- 「YES / NO の推定」  
  → 高確率でメンバーシップ推論攻撃

G検定では  
**「抜く」か「含まれていたか」か**で切る。

---

## まとめ（試験直前用）
- メンバーシップ推論攻撃＝**学習に使われたかを推定**
- データそのものは抽出しない
- 過学習モデルほど危険
- データ窃取攻撃と必ず対比される
- 「含まれていたか？」→ メンバーシップ推論攻撃