확산 모델의 멤버십 추론을 위한 시간별 난이도 보정

요약

본 연구는 확산 모델의 멤버십 추론 공격(MIA)의 한계를 극복하기 위해 난이도 보정(Difficulty calibration)을 제안합니다. 기존 방식은 재구성 손실만으로 인해 정확도가 떨어지는 문제가 있었으나, 본 논문은 기억과 이미지 자체의 어려움을 분리하는 방법을 제시했습니다. 특히 단일 모델만을 활용하여 확산 시간을 따라 난이도를 완화하는 Temporal Self-Calibration (TSC)을 소개하며, 이는 기존 최첨단 기법을 크게 능가한다고 주장합니다.

핵심 포인트

• 표준 MIA는 재구성 손실만으로는 신뢰도가 낮아 실패할 수 있습니다.
• 난이도 보정은 모델의 '기억'과 이미지 자체의 '어려움'을 분리하는 핵심 개념입니다.
• TSC는 단일 모델의 이웃 타임스텝 비교를 통해 난이도를 완화합니다.
• 제안된 방법은 다양한 모델 매개변수화에 걸쳐 일반화되는 강점을 가집니다.