본 논문은 기계 학습 모델의 학습 데이터 풀에 특정 데이터셋이 포함되었는지 여부를 판별하는 효율적이고 해석 가능한 베이지안 추론 방법을 제안합니다. 기존의 멤버십 추론 공격(MIA)은 모델 내부 정보에 접근하거나 계산적으로 집약적인 섀도우 모델에 의존하는 반면, 본 논문의 방법은 사후 지표(예: 예측 오류, 신뢰도(엔트로피), 섭동 크기, 데이터셋 통계)를 분석하여 광범위한 모델 훈련 없이 멤버십의 사후 확률을 계산합니다. 합성 데이터셋에 대한 실험 결과는 멤버 데이터셋과 비멤버 데이터셋을 구분하는 데 있어 본 방법의 효과를 보여줍니다. 멤버십 추론 외에도, 이 방법은 분포 변화를 감지할 수 있으며, 기존 방법에 대한 실용적이고 해석 가능한 대안을 제공합니다.
