현대의 DNN (Deep Neural Networks)은 새로운 데이터와 기능을 통합하기 위해 반복적으로 미세 조정 (Fine-tuning)됩니다. 이러한 진화적 워크플로우는 업데이트된 데이터를 완전히 신뢰할 수 없을 때 보안 위험을 초래하는데, 공격자가 미세 조정 과정에서 Trojan (트로이 목마)을 심을 수 있기 때문입니다. 본 논문에서는 모델의 내부 표현 (Internal representations)이 미세 조정 중에 어떻게 변화하는지를 분석하는 Trojan 탐지 접근 방식인 MIST를 제시합니다. MIST는 트리거 (Trigger) 조건을 재구성하려고 시도하는 대신, 활성화 전 스펙트럼 (Pre-activation spectra)을 사용하여 정상적인 모델의 진화를 특징짓고, 이 참조 모델과 스펙트럼 편차가 일치하지 않는 업데이트를 식별합니다. 이러한 프레임워크는 Trojan 탐지를 모델 업데이트에 대한 회귀 (Regression) 문제로 취급합니다. 4개의 데이터셋과 8개의 Trojan 공격에 대한 실증적 평가 결과, 스펙트럼 거리 (Spectral distances)가 Trojan이 삽입된 업데이트를 깨끗한 미세 조정과 안정적으로 구별함을 보여줍니다. MIST는 오염된 데이터나 트리거에 대한 어떠한 지식도 필요로 하지 않으며, 단 한 번의 업데이트만으로도 최첨단 (State-of-the-art) 탐지 정확도를 능가합니다. 또한 다단계의 정상적인 진화 과정에서도 성능 저하가 완만하고 제한적인 범위 내에서 유지되며 효과적으로 작동합니다. 이러한 결과는 스펙트럼 진화가 악의적인 모델 업데이트를 탐지하기 위한 안정적이고 가정이 적은 (Assumption-light) 신호를 제공함을 나타냅니다.