该文综述深度学习模型的隐私攻击，涵盖模型反演、模型抽取与对抗攻击，重点介绍基于GAN的模型反演、GraphMI图神经网络攻击、动态记忆模型逆向攻击等方法，这些方法可提升攻击成功率并提取私有训练数据，同时探讨差分隐私等防御手段的局限。

该文汇总多篇人脸识别安全研究：构建含四类变形攻击的新数据集，评估OpenCV、FaceMorpher、WebMorph及StyleGAN的攻击风险，发现VGG-Face比FaceNet更抗攻击，StyleGAN低级变形威胁有限；MagFace在检测融合攻击上优于ArcFace；深度学习差分检测鲁棒性高；还涉及模型反演、TetraLoss等方法。

本文介绍了一种新的基于模型反演的移除攻击（Mira），该攻击对大多数主流的黑盒深度神经网络水印方案都有效。攻击方法利用受保护模型的内部信息来恢复并取消学习水印信息，并设计了目标类别检测和恢复样本分割算法来减小攻击带来的效用损失。在三个基准数据集和深度神经网络架构上进行了全面评估，结果显示Mira对覆盖的水印具有强大的去除效果，保留了至少90%的被窃模型效用。