我们提出了成员推断测试（MINT）演示2，这是一个旨在提高机器学习训练过程透明度的框架。MINT是一种实验性技术，用于确定特定数据是否在机器学习模型训练过程中被使用。我们建立了理论框架，并根据被审计模型已知信息量的不同，提出了多种MINT架构。
通过对一个流行的人脸识别模型、四个最先进的LLM（大规模语言模型）以及多个多样化的大规模公共图像和文本数据库的实验结果显示，MINT在检测训练数据方面的准确率高达90%。基于这些结果，我们引入了一个全面的网络平台，该平台将这些能力扩展到图像和文本模态。该平台集成了多样的技术栈，包括MINT、aMINT和gMINT，允许用户审计广泛的模型。这一演示的目标是促进AI透明度，并提供一个实用工具，以促进遵守新兴的AI法规。
博主点评： MINT的推出无疑是推动AI透明度的重要一步，它不仅提高了对模型训练数据的可审计性，还为遵循法规提供了有力支持。随着AI技术的快速发展，类似的工具将越来越重要，值得关注。