본 논문은 AI/ML 모델의 학습에 특정 데이터가 사용되었는지 여부를 경험적으로 평가하는 새로운 접근 방식인 Membership Inference Test (MINT)를 소개합니다. 구체적으로, Audited Model이 훈련 과정에서 사용된 데이터에 노출될 때 나타나는 독특한 활성화 패턴을 학습하도록 설계된 다층 퍼셉트론(MLP) 및 컨볼루션 신경망(CNN) 기반의 두 가지 MINT 아키텍처를 제안합니다. 실험은 얼굴 인식의 어려운 과제에 초점을 맞추고, 세 가지 최첨단 얼굴 인식 시스템을 고려하며, 2,200만 개 이상의 얼굴 이미지를 포함하는 6개의 공개 데이터베이스를 사용합니다. 제안된 MINT 접근 방식은 최대 90%의 정확도로 유망한 결과를 달성하여, 특정 데이터로 AI 모델이 훈련되었는지 인식할 수 있는 잠재력을 보여줍니다.
