본 논문은 백도어 데이터가 신경망 학습 과정에 미치는 영향을 분석한다. 특히, 목표 클래스와 클린 클래스 간의 차이점에 주목하여, 정보 병목(Information Bottleneck, IB) 원리와 내부 표현의 클러스터링을 활용한다. 연구 결과, 백도어 공격은 학습 단계별로 진화하며 공격 방식에 따라 다른 고유한 상호 정보(Mutual Information, MI) 시그니처를 생성한다. 시각적으로 뚜렷한 공격(BadNets)이 정보 이론적 관점에서 높은 은밀성을 달성할 수 있으며, 시각적으로 감지하기 어려운 공격보다 모델에 더 자연스럽게 통합될 수 있다는 점을 밝혀냈다. 또한, 공격의 모델 수준 통합을 정량화하는 새로운 동적 기반 은밀성 지표를 제안하고, 다양한 데이터셋과 공격 유형에 걸쳐 이를 검증했다.
