Kiểm tra suy luận thành viên tích cực (aMINT) là một phương pháp để phát hiện xem dữ liệu cụ thể có được sử dụng để huấn luyện mô hình học máy hay không. aMINT đề xuất một quy trình học đa tác vụ mới, đồng thời huấn luyện mô hình gốc (Mô hình đã kiểm toán) và một mô hình phụ trợ (Mô hình MINT) để xác định dữ liệu huấn luyện. Phương pháp này được thiết kế để tích hợp khả năng kiểm toán mô hình như một mục tiêu tối ưu hóa trong quá trình huấn luyện mạng nơ-ron. Lớp MINT sử dụng các bản đồ kích hoạt trung gian làm đầu vào và được huấn luyện để cải thiện khả năng phát hiện dữ liệu huấn luyện. Khi đánh giá các mạng nơ-ron khác nhau, từ MobileNet đến Vision Transformer, trên năm điểm chuẩn công khai, aMINT đạt độ chính xác hơn 80% trong việc phát hiện mức sử dụng dữ liệu, vượt trội đáng kể so với các phương pháp hiện có. aMINT và những tiến bộ về phương pháp liên quan góp phần tăng cường tính minh bạch của các mô hình AI và thiết lập các biện pháp bảo vệ mạnh mẽ cho bảo mật, quyền riêng tư và bản quyền.
