Soft-JMI: An Identifiability Metric for Sensitive Data Based on Fuzzy Set Theory

딥러닝 모델이 민감한 개인 데이터를 활용하는 영역으로 확산됨에 따라, 학습 데이터의 유출 위험을 정량화하는 프라이버시 평가 지표의 중요성이 커지고 있다. 그러나 기존의 거시적 지표는 모델이 고확신 상태에 도달하면 출력 분포가 포화되어 방어 모델 간의 미세한 차이를 구분하지 못한다. 본 논문에서는 이러한 한계를 극복하기 위해 자카드 유사도에 퍼지 집합 이론을 결합하여 개별 데이터 단위의 식별 가능성을 평가하는 Soft-JMI를 제안한다. 제안 지표가 멤버십 추론 공격자의 목적 함수와 수학적으로 부합함을 유도하고, CIFAR-10 데이터셋과 네 가지 지식 증류 방어 모델로 지표별 변별력을 평가하였다. 실험 결과, 코사인 유사도와 KL 다이버전스는 모든 모델에서 포화되어 구분이 불가능한 반면, Soft-JMI는 Standard KD(0.5877)에서 CKD(0.4682)에 이르는 뚜렷한 변별 폭으로 모델 간 차이를 정량화하였다. 또한 평가 데이터의 구성 변화에도 모델 간 순위가 일관되게 보존되어, 제안 지표가 고확신 환경에서 방어 모델의 식별 가능성을 안정적으로 평가함을 확인하였다.