잠재 확산 모델은 고해상도 텍스트-대-이미지 생성에서 주목할 만한 성과를 거두었으나, 학습 데이터를 암기하는 경향은 중대한 개인정보 및 지적 재산권 우려를 제기한다. 멤버십 추론 공격(Membership Inference Attacks, MIAs)은 주어진 샘플이 학습에 포함되었는지를 판단함으로써 이러한 암기를 감사(audit)할 수 있는 정합적 방법을 제공한다. 그러나 기존 접근법은 정답 캡션에 대한 접근을 전제한다. 이러한 가정은 오직 이미지만 이용 가능하고 그 텍스트 주석이 비공개로 유지되는 현실적 상황에서는 성립하지 않으며, 이전 방법은 비전-언어 모델(vision-language model, VLM) 캡션으로 대체될 경우 효과가 떨어진다. 본 연구에서는 표준 캡션이 없는(caption-free) MIAs 프레임워크인 MoFit을 제안하며, 목표 모델의 생성적(manifold) 공간에 대해 명시적으로 과적합(overfitted)된 합성 조건 입력을 구성한다. 질의 이미지가 주어지면 MoFit은 두 단계로 진행된다: (i) 모델 적합(surrogate) 대리 최적화(model-fitted surrogate optimization) 단계에서는, 멤버 샘플로부터 학습된 모델의 무조건 사전(unconditional prior)에서의 영역을 대상으로 대리를 구성하기 위해 이미지에 적용되는 교란(perturbation)을 최적화한다. (ii) 대리 기반 임베딩 추출(surrogate-driven embedding extraction) 단계에서는, 대리로부터 모델 적합 임베딩(model-fitted embedding)을 도출한 뒤 이를 질의 이미지에 대한 불일치(mismatched) 조건으로 사용한다. 이 임베딩은 멤버 샘플에 대해서는 조건부 손실 반응을 증폭시키는 반면, 홀드아웃(hold-outs)은 상대적으로 덜 영향을 받아 정답 캡션이 부재한 상황에서도 분리 가능성을 향상시킨다. 다수의 데이터셋과 확산 모델에 걸친 포괄적 실험 결과, MoFit은 기존 VLM-조건 기반 기준선보다 일관되게 더 우수한 성능을 보이며, 캡션 의존 방법과 경쟁력 있는 성능을 달성함을 확인하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.