대규모 표 형식 모델 (Large tabular models, LTMs), 즉 인컨텍스트 학습 (In-context learning, ICL)을 활용하는 표 형식 파운데이션 모델 (Tabular foundation models)은 표 형식 작업 (Tabular tasks)에서 최첨단 성능을 달iet합니다. LLM이 의도치 않게 학습 데이터를 암기하는 것으로 알려져 있는 반면, LTM의 암기 역학 (Memorization dynamics)은 여전히 대부분 탐구되지 않은 상태입니다. 우리는 표 형식 ICL에서의 파라미터 암기 (Parametric memorization) 가능성을 조사합니다. 우리는 문맥 기반 예측 (Context-based predictions)과 파라미터 암기를 분리하도록 설계된 조사 프레임워크인 ICLMEM을 소개합니다. 우리의 제로 정보 다지선다형 문맥 (Zero-information multiple-choice context)은 유효한 문맥 패턴을 제거하여 모델이 파라미터 메모리에 의존하도록 강제합니다. 우리의 통제된 미세 조정 (Fine-tuning) 설정은 멤버십 정답 (Membership ground truth)을 설정하고 분포 변화 (Distribution shift), 특징 오염 (Feature contamination), 기저율 오류 (Base-rate fallacy)와 같은 일반적인 함정들을 고려하며, 사전 학습된 베이스 모델을 샘플 난이도를 보정하기 위한 참조로 사용합니다. 선도적인 실제 데이터로 학습된 LTM에 대한 통제된 평가 결과, 10개 작업 중 8개에서 중간 정도의 암기 신호가 감지되었습니다 ($\text{AUC}$ 최대 $0.67$ 및 $1%$ FPR에서의 TPR $>0.1$). 특히, 암기 신호는 낮은 카디널리티 (Low-cardinality) 및 이진 (Binary) 작업에서 가장 강력하게 나타납니다. 그러나 현실적인 학습 조건 하에서는 이러한 신호가 대부분 사라집니다. 우리의 연구 결과는 특정 상황(많은 에포크(Epochs) 동안 고정된 샘플을 사용한 단일 작업 미세 조정 및 작은 쿼리 크기)에서 LTM 암기 신호가 나타남을 보여줍니다. 민감한 데이터를 보호하기 위해 적절한 조치가 취해져야 하며, 이에 대해 논의합니다.