판별적 인수분해를 이용한 블랙박스 모델 분류

요약

본 논문은 API를 통해 접근하는 블랙박스 모델 환경에서, 고품질 및 저품질 쿼리 세트를 구별하여 모델 수준 속성을 분류하는 새로운 프레임워크를 제안합니다. 핵심 방법론으로 '판별적 인수분해(discriminative factorization)'를 도입했으며, 이를 통해 우연 수준의 분류 확률이 쿼리 예산에 따라 지수적으로 감소함을 보였습니다. 또한, 이 방법을 사용하여 선택된 쿼리 세트가 오라클 쿼리 세트의 경험적 순서를 재현할 수 있음을 입증했습니다.

핵심 포인트

• 블랙박스 모델 분류는 API 호출에 의존하여 시스템 내부 속성을 추론하는 것이 핵심 과제입니다.
• 기존 연구와 달리, 본 논문은 쿼리 세트의 품질을 판별적 인수분해(discriminative factorization)를 통해 정량적으로 평가합니다.
• 판별적 인수분해 프레임워크는 쿼리 예산에 따른 분류 확률의 지수적 감소를 예측할 수 있게 합니다.
• 추정된 매개변수는 선택된 쿼리 세트가 최적의(오라클) 쿼리 순서를 따르는지 검증하는 데 사용됩니다.