Split Inference(SI)는 사용자가 원시 데이터를 직접 전송하지 않고 딥 러닝(DL) 서비스에 접근할 수 있게 해준다. 그러나 최근 연구에 따르면 데이터 재구성 공격(DRA)은 클라이언트에서 서버로 전송된 smashed 데이터로부터 원래 입력을 복구할 수 있어 심각한 개인 정보 유출을 야기한다. 다양한 방어 기법이 제안되었지만, 특히 클라이언트 측 모델이 얕은 경우, 상당한 유틸리티 저하를 초래한다. 본 논문은 이러한 트레이드 오프의 주요 원인을 기존 방어 기법이 smashed 데이터의 중복 정보에 과도한 교란을 가하기 때문이라고 지적한다. 이를 해결하기 위해, 컴퓨터 비전 작업에서 InfoDecom을 제안한다. InfoDecom은 먼저 중복 정보를 분해하고 제거한 다음, 이론적으로 보장된 프라이버시를 제공하도록 조정된 노이즈를 주입하는 방어 프레임워크이다. 실험 결과 InfoDecom은 기존 baseline에 비해 우수한 유틸리티-프라이버시 트레이드 오프를 달성했다.
