대규모 언어 모델 (LLMs)의 매개변수 효율적 미세 조정 (Parameter-efficient fine-tuning)은 개별 학습 예시에 대한 문제적인 암기 (memorization) 현상을 보일 수 있습니다. 경험적 프라이버시 감사 (Empirical Privacy Auditing, EPA)는 멤버십 추론 (Membership Inference, MI) 또는 재구성 공격 (reconstruction attacks)에 대한 현실적인 데이터 유출을 측정함으로써 이러한 위험을 정량화합니다. EPA의 핵심 과제는 프라이버시 민감 학습 데이터와 혼합될 "카나리 (canary)" 예시를 설계하는 것입니다. 우리는 프라이버시 민감 학습 데이터에 맞춤화된 프롬프트를 사용하여, LLM으로부터 높은 온도 샘플링 (high-temperature sampling, $T \geq 0.8$)을 통해 합성 카나리 (synthetic canaries)를 생성할 것을 제안합니다. 이러한 카나리들은 높은 영향력을 가진 이상치 (high-influence outliers)로 작용하여, 높은 식별 가능성 (identifiability)과 그에 따른 강력한 감사를 보장합니다. 또한, 카나리 자체는 비민감적 (non-private)이므로 검사가 가능하며, 실제 데이터의 프라이버시를 해치지 않고 반복적으로 삽입될 수 있습니다. 프라이버시 민감 데이터로 미세 조정된 모델의 중요한 용도 중 하나는 합성 데이터 (synthetic data) 생성입니다. 이는 또한 프라이버시 위험을 동반합니다. 우리는 합성 데이터에 보조 모델 (auxiliary model)을 미세 조정하는 방식에 기반한 강력한 합성 데이터 감사 기법을 도입합니다. 보조 모델에 대해 원래의 카나리를 감사하면, 합성 데이터를 통한 프라이버시 유출에 대한 강력한 추정치를 제공할 수 있습니다. 마지막으로, 우리의 강력한 감사 방법론을 활용하여 모델 용량 (model capacity)과 카나리 엔트로피 (canary entropy)가 암기에 미치는 상호작용 효과에 대한 체계적인 조사를 수행합니다.