본 논문은 딥러닝 모델의 내재적 프라이버시 문제, 즉 학습 데이터 일부를 기억하여 프라이버시 유출을 야기하는 문제를 해결하기 위한 연구이다. 기존의 멤버십 추론 공격(MIA)은 프라이버시 유출을 측정하는 데 효과적이지만, 높은 자원 요구량과 해석력이 떨어지는 평가 지표라는 한계점을 지닌다. 이에 본 논문은 퓨샷러닝 기반의 새로운 MIA인 FeS-MIA 모델과 해석 가능한 정량 및 정성적 프라이버시 평가 지표인 Log-MIA 측정법을 제안한다. FeS-MIA는 자원 요구량을 줄여 MIA 평가를 용이하게 하고, Log-MIA는 프라이버시 유출 정도를 더 명확하게 평가할 수 있도록 한다. 이미지 분류 및 언어 모델링 작업에 대한 실험 결과, 제안된 방법이 기존 방식보다 적은 정보로 딥러닝 모델의 프라이버시 유출을 효과적으로 보고하는 것을 보여준다.
