차분 프라이버시(DP) 메커니즘에서 랜덤성 품질이 어떻게 영향을 미치는지 IBM의 DiffPrivLib를 사용해 실증적으로 조사했다. 약 8~16비트 중 1비트가 조작될 때 DP 메커니즘이 편차를 신뢰성 있게 감지하는 것을 보였다.
차분 프라이버시 구현 시 랜덤 수 생성기의 품질이 실제 프라이버시 보장을 얼마나 민감하게 영향을 미치는지를 실무자가 인지해야 한다.
차분 프라이버시(DP) 학습 과정의 신뢰성을 확보하기 위해 CPU 측 신뢰 실행 환경(TEE)과 비신뢰 GPU를 결합한 프레임워크를 제안한다. 실험 결과, 기존 GPU 기반 DP 학습과 비교해 견고한 오버헤드를 유지하면서도 DP 실행의 악의적 벗어남을 효과적으로 제한한다.
이 연구는 과거 GPU에서도 DP 학습의 인증 가능성을 실현할 수 있는 실용적인 방법을 제시하여, 기존 시스템에서 프라이버시 보호를 강화하는 데 기여할 수 있다.
벡터 인덱스 기반 시스템에서 삭제 항목이 검색 그래프에 남아 있는 문제를 분석하고, TSD-AUDIT이라는 감사 및 강제 프레임워크를 제안한다. 70% 삭제 비율에서 100개의 감사 쿼리에서 삭제 벡터 점수를 탐지했으며, 랜덤 삭제 시에도 기존 필터링과 유사한 성능을 유지하면서 Recall@10을 4.3~42.2% 개선했다.
AI 시스템의 프라이버시 보호를 위해 벡터 검색 과정에서의 점수 계산까지 감사해야 한다는 점을 실증적으로 보여준다.
AI 매개 플랫폼에서 중간 과정에서 발생하는 프라이버시 유출 문제를 해결하기 위해 PAPC라는 플랫폼 중재 메커니즘을 제안한다. PAPC는 결정론적 작업 완료를 유지하면서 정량적으로 측정된 정확한 원시값 및 외부 원시값 노출을 제거한다.
AI 매개 워크플로우에서 중간 단계의 프라이버시 유출을 방지하기 위해 플랫폼 수준의 중재 메커니즘을 도입할 필요가 있다.
LLM 에이전트 세션에서 개인정보 노출 이동을 측정하는 프레임워크 ASLEval을 제안한다. 46.9%의 노출이 기존 로컬 평가 대상에서 누락되는 것을 확인했다.
LLM 에이전트의 개인정보 노출 평가 시, 단일 출구만 검토하는 방식의 한계를 인식하고 전체 노출 경로를 선언해야 한다.
익명 증명(Anonymous Credentials) 시스템에서 권한 간 신뢰도 차이를 고려한 새로운 모델 MA-ACEW를 제안하고, 이 모델의 보안성과 효율성을 증명한다. 128개의 부분 증명을 집계하는 데 평균 10.68ms가 소요된다.
이 연구는 분산 시스템에서 권한의 신뢰도를 반영한 익명 인증을 가능하게 하여, 보다 유연하고 안전한 인증 프로토콜 설계에 기여할 수 있다.
Wi-Fi 신호 데이터를 활용한 개인 위치 추정 기법을 제안한다. RSSI 데이터를 CSI 기반 모델에 입력하여 약 80%의 신뢰도로 인간 위치를 예측할 수 있음을 보인다.
IoT 기기에서 RSSI 데이터를 수집해 개인 위치를 추정할 수 있어, Wi-Fi 환경에서의 프라이버시 침해 위험이 증가한다.
LLM의 디코딩 단계에서 비선형 연산의 비효율성을 해결하기 위해 CKKS/TFHE 하이브리드 프레임워크인 ROSETTA를 제안한다. ROSETTA는 기존 CacheMir 대비 최대 4.8배의 Softmax 속도 향상과 1.5~2.1배의 종단 간 속도 향상을 달성한다.
LLM의 프라이버시 보호 디코딩을 효율적으로 수행할 수 있는 ROSETTA 기법을 통해 인퍼런스 성능을 개선할 수 있다.
DR-SL(Dehydrate-Rehydrate with Self-Learning loop) 기법을 제안하여 Pufferfish semantics를 기반으로 한 de-identification completeness를 정식화하고 QA probes를 통해 task-information preservation을 보장한다. 최악의 경우 벤치마크에서 누출량을 0.457에서 0.304로 감소시키고, 160개 인스턴스에서 0.000의 리터럴 누출을 달성한다.
DR-SL 기법은 클라우드-로컬 LLM 추론 환경에서 민감한 사용자 데이터를 보호하면서도 유틸리티를 유지하는 데 실무적으로 활용될 수 있다.
PIMENTO는 자연어, 질의, 프라이버시 정책을 관계형 데이터베이스에 매핑하여 CI와 DP 보장을 동시에 제공하는 프레임워크이다. 새로운 벤치마크에서 PIMENTO는 75.3%의 경우 최적의 질의를 선택하고, 올바른 정책 기반에서 누수를 0으로 유지한다.
이 연구는 자연어 분석에서 CI와 DP를 결합한 공식적인 프라이버시 보장을 제공하는 첫 번째 프레임워크로, 실무에서 텍스트 데이터 분석 시 프라이버시 보호를 강화할 수 있다.
Trinqet은 보안 다자간 계산(MPC)을 활용해 분산된 그래프에서 프라이빗하게 삼각형 및 사각형 수를 계산하는 시스템이다. 평가에서 기존 기준 대비 최대 10^5 배 빠른 실행 속도를 보였다.
Trinqet은 분산된 민감한 그래프 데이터를 보호하면서도 효율적인 삼각형 및 사각형 계산을 가능하게 하여, 보안 그래프 분석에 기여할 수 있다.
기존의 제로지식 증명(ZKP) 기반 eKYC 프레임워크와 W3C 2021 BitString 기반 신분 증명 상태 메커니즘의 문제점을 분석하고, 멀티파티 계산(MPC)을 기반으로 투명하고 비용 효율적인 신분 인증 프레임워크를 제안한다. ZSTD 압축을 통해 신분 증명 데이터를 76바이트로 줄여 저장 및 대역폭 비용을 절감하고, SHA3 해싱과 Falcon 양자 저항 서명을 결합하여 양자 공격에 대한 내성을 보장한다.
이 연구는 대규모 신분 인증 시스템에서 비용 효율적이고 투명한 솔루션을 제공하며, 양자 저항성을 갖춘 신뢰할 수 있는 인증 프레임워크를 구축할 수 있다.
차분 프라이버시(mDP) 메커니즘의 확장을 위한 새로운 그래프 기반 프레임워크를 제안한다. 제안된 방법은 확장 정확성의 세 가지 요구사항을 정의하고, 이 조건 하에서 전역 메커니즘이 정의되어 $ε$-mDP를 만족함을 보인다.
이 연구는 대규모 또는 세분화된 도메인에서 차분 프라이버시를 구현할 때 효율적인 확장 방법을 제공한다.
모바일 GUI 에이전트에서 시각적 프라이버시 유출 문제를 분석하고, PriMobiBench 벤치마크와 MobiLeak 데이터셋을 제안한다. VLM이 민감 정보를 최대 82.5% 성공률로 추출하고, 사용자 프로파일링 성공률은 약 70%에 달한다.
PriMobiBench를 통해 모바일 GUI 에이전트의 프라이버시 유출을 측정하고, UI 요소 마스킹으로 프로파일링 성공률을 최대 58%까지 줄일 수 있다.
프라이빗 이볼루션(Private Evolution, P.E.)은 사용자의 원시 데이터를 노출시키지 않고 페더레이티드 환경에서 고정밀 합성 데이터를 생성하는 시스템이다. 연구팀은 P.E. 프로토콜을 준수하면서 최악의 경우 프라이버시 손실을 실현할 수 있는지 검증하기 위해 서버가 단일 공유 후보 은행에 약 1%의 탐지용 프로브를 삽입하는 실증적 감사 방법을 제안했다.
이 연구는 프라이빗 이볼루션(P.E.) 시스템의 프라이버시 보장 수준을 실증적으로 평가하는 방법을 제시하여, 페더레이티드 학습 환경에서의 프라이버시 관리에 실질적인 기여를 할 수 있다.
프라이버시 영향 평가(PIA)의 자동화를 위해 대규모 언어 모델(LLM)을 활용한 벤치마크인 PIA-Bench를 개발했다. 499개의 전문가 작성 PIA를 검토하여 73개의 구조화된 PIA를 선정하고, 451개의 프라이버시 리스크와 831개의 완화 조치 항목을 평가했다.
이 연구는 LLM을 활용한 PIA 자동화의 가능성과 한계를 평가하는 데 기여하며, 프라이버시 평가 도구로서의 LLM 활용 방안을 제시한다.
메타버스 플랫폼에서 사용자 생성 세계의 보안 및 프라이버시 문제를 체계적으로 평가하고, 기존 도구를 악용한 새로운 공격 기법을 제시한다. 25개 플랫폼을 분석하고 5가지 새로운 공격과 5가지 기존 공격의 재현을 보인다.
메타버스 플랫폼 운영자는 사용자 생성 세계의 권한 위임 구조를 재검토하고, 실시간 보호 및 창작자 정책을 강화해야 한다.
FHE 기반 추론 시스템 Odin을 제안하고, 기존 THOR 대비 4.51배 빠른 성능을 보인다. 서버측 엔드투엔드 평가 시간은 366.4초이며, 최대 58.9 GiB의 장치 메모리가 필요하다.
Odin은 FHE 기반 추론의 효율성을 높여 클라우드 LLM 서비스의 프라이버시 문제를 완화할 수 있다.
임상 뇌전도(EEG) 데이터의 프라이버시 보호를 위해 차분 프라이버시 기반의 익명화 기법을 제안하고, 클라이언트 측, 중앙 서버 측, 분산 로컬 학습이라는 세 가지 배포 시나리오를 고려하여 가우시안 및 라플라스 노이즈를 적용하였다. 실험 결과, 선택된 메커니즘과 프라이버시 파라미터, 민감도 교정이 데이터 유틸리티에 큰 영향을 미치는 것으로 나타났다.
차분 프라이버시 기반의 EEG 특징 익명화는 프라이버시-유틸리티 트레이드오프를 고려한 임상 데이터 공유에 실용적인 접근법을 제시한다.
본 연구는 자연어 처리(NLP)에서 텍스트 분류 모델의 멤버십 추론 공격 취약성을 실증적으로 평가하였다. GLUE SST-2 감정 분류 데이터셋을 사용하여 TF-IDF + 로지스틱 회귀 파이프라인과 미세 조정된 DistilBERT 분류기를 비교한 결과, DistilBERT가 로지스틱 회귀보다 높은 정확도와 F1 점수를 기록했으나, 두 모델 모두 멤버십 신호를 유출하는 것으로 나타났다.
텍스트 분류 모델의 훈련 데이터 유출 가능성에 주의해야 하며, 가벼운 훈련 조정을 통해 프라이버시-유틸리티 균형을 개선할 수 있다.
기계 학습 설명이 모델 보안과 데이터 프라이버시에 영향을 미친다는 점을 밝히고, 25개 연구를 체계적으로 분석하여 공격 경로와 방어 전략을 비교했다. 설명 신호 유출에 따라 공격 효과가 달라진다는 점을 밝혔다.
머신러닝 모델의 설명 기능을 사용할 때 프라이버시 유출 가능성을 종합적으로 평가해야 한다.
본 페이지의 연구 요약은 공개된 초록을 AI가 한국어로 정리한 것으로, 원문과 차이가 있을 수 있습니다. 정확한 내용은 반드시 원문을 확인하십시오. 본문과 PDF는 제공하지 않으며, 모든 저작권은 각 저자와 발행처에 있습니다.