本文对数据伪造攻击（Data Forging Attacks）在实践中的可行性进行了重新评估。数据伪造攻击是指模型拥有者通过伪造训练数据小批量（mini-batches）来提供虚假的证据，声称模型是在某个数据集上训练的，而实际上是在另一个数据集上训练的。这种攻击破坏了数据治理和审计的可能性，因为恶意的模型拥有者可以声称其模型是从合规数据集训练的，而实际上使用了不合规的数据。然而，本文从实践和理论两个角度深入分析了当前攻击方法的局限性。实践上，现有攻击方法无法生成足够相似的梯度，从而容易被验证者检测。理论上，尽管存在无限多个不同的实数域小批量可以产生相同梯度，但要找到符合实际域（如图像像素值在0-255区间，且标签为one-hot编码）的小批量却非常困难。因此，本文呼吁重新评估已有攻击的实际威胁，并鼓励进一步研究成功的数据伪造攻击的条件。该研究对机器学习模型审计、数据合规和隐私保护有重要意义。适合机器学习安全研究者、数据治理专家和隐私合规从业者阅读。