연구진은 Rectified Flow 모델이 학습 데이터의 미묘한 흔적을 보존하며, 이는 저작권 및 개인 정보 보호에 영향을 미칠 수 있음을 밝혔습니다. 학습 데이터의 재구성 패턴을 분석한 결과, 학습 데이터와 테스트 데이터 간의 간극이 λ 값에 따라 벨 모양 곡선을 형성하며 누적되는 현상이 관찰됐습니다. 이 연구는 오디오 및 이미지 데이터셋에서 검증되었으며, 특정 λ 값을 활용하여 멤버십 추론 공격을 수행할 수 있음을 보여줍니다.
Rectified Flow 모델의 학습 과정에서 발생하는 데이터 유출 패턴을 파악하기 위해, 학습 데이터 재구성 경로인 X_λ= (1-λ)X_0 + λX_1을 분석했습니다. 연구 결과, 검증 지표는 안정적인 반면, 학습 데이터와 테스트 데이터 간의 재구성 간극은 특정 λ 값에서 최대값을 보이는 벨 모양 곡선을 형성합니다. 이 최대값의 위치는 가우시안 가정 하에서 공식적으로 유도되었습니다.
연구진은 멤버십 추론 공격을 통해 학습 데이터 멤버와 비멤버를 구별하는 데 성공했으며, 이는 Rectified Flow 모델의 데이터 유출 가능성을 시사합니다. 이 연구는 생성 모델의 데이터 보존 메커니즘을 이해하고, 잠재적인 악용 가능성에 대한 경각심을 높이는 데 기여할 것으로 기대됩니다.