우리는 Low-Rank Adaptation (LoRA)을 통해 특정 자연어 처리 (NLP) 작업에 맞춰 미세 조정된 최신 거대 언어 모델 (LLMs)에 적용되는 새로운 멤버십 추론 테스트 (Membership Inference Test, MINT) 방법론인 LoRA-MINT를 제시합니다. 주요 목표는 개별 샘플이 이러한 적응형 모델의 학습 데이터에 포함되었는지 여부를 평가하는 것이며, 이는 지적 재산 및 민감한 데이터 관리를 위한 유용한 감사 도구를 제공합니다. 우리의 분석은 모델의 퍼플렉시티 (Perplexity)와 멤버십 상태 사이의 관계를 탐구하여, 미세 조정된 LLM에서의 데이터 노출을 추정하기 위한 체계적인 프레임워크를 제공합니다. 우리는 4개의 모델과 3개의 벤치마크 데이터셋을 대상으로 실험을 수행하였으며, 주어진 데이터가 학습에 사용되었는지 결정하는 정밀도 (Precision) 값이 0.77에서 0.92 사이로 나타났습니다. 이는 최신 기술 (State-of-the-art) 베이스라인을 능가하며 제안된 방법의 견고함과 일반성을 입증합니다. 일반적으로 우리의 연구 결과는 LLM을 감사하기 위한 효과적이고 확장 가능한 프레임워크로서 LoRA-MINT의 잠재력을 강조하며, 투명성을 개선하고 AI 및 NLP 기술의 윤리적이고 책임감 있는 배포를 촉진합니다. 구체성과 현재의 관련성을 위해 우리의 논의와 실험은 LoRA로 조정된 LLM에 집중되어 있으나, 제시된 방법론의 대부분은 LLM을 적응시키기 위한 다른 기술이나, 더 일반적으로는 다른 모든 도메인 적응형 AI 모델에 대한 학습 데이터를 감사하는 데 쉽게 적용될 수 있음에 유의하십시오.