본 논문은 딥러닝에서 훈련 데이터의 프라이버시에 대한 심각한 위협인 멤버십 추론 공격(MIA)에 대해 다룹니다. 기존 MIA 연구의 한계를 극복하고자, 개별 샘플 수준에서 프라이버시 유출 역학을 분석하고 정량화하는 동적 분석 프레임워크를 제시합니다. FPR-TPR 평면 상에서 샘플별 취약성을 추적하여 데이터셋 복잡성, 모델 아키텍처, 최적화 알고리즘 선택 등의 요소가 샘플의 취약성 발생률과 심각도에 미치는 영향을 체계적으로 측정합니다. 특히, 샘플의 고유한 학습 난이도와 프라이버시 위험 간의 강력한 상관관계를 발견하고, 최종 훈련된 모델에서 매우 취약한 샘플의 프라이버시 위험은 주로 훈련 초기에 결정됨을 밝힙니다. 이는 훈련 중 프라이버시 위험이 동적으로 발생하는 과정에 대한 깊이 있는 이해를 제공하며, 사전 예방적인 프라이버시 인식 모델 훈련 전략을 위한 기반을 마련합니다.
