SoK: 테이블형 머신러닝에서의 멤버십 추론에 대한 재고찰

요약

본 논문은 테이블형 데이터셋에서의 멤버십 추론 공격(MIAs)에 대한 새로운 분류 체계를 제시하고 취약성을 포괄적으로 연구했습니다. 다양한 데이터셋과 모델 아키텍처를 평가한 결과, 클래스 세분성 및 다수 클래스 비율이 높은 데이터가 MIAs에 더 취약함을 확인했습니다. 또한, 일반적인 방어 기법을 적용해도 고유 서명을 가진 기록은 여전히 매우 취약할 수 있음을 강조합니다.

핵심 포인트

• 테이블형 데이터셋의 MIA 취약성 연구 및 새로운 분류 체계 제시
• 클래스 세분성과 다수 클래스 비율이 높은 데이터가 더 취약함
• 고급 MIAs는 적대적 지식에 의존하며, 참조 모델 기반 공격은 통계적으로 비교 가능
• 일반 방어 기법에도 불구하고 고유 서명 기록은 여전히 매우 취약할 수 있음