연구진은 얼굴 인식 모델의 훈련 멤버십 정보를 정량화하기 위해 hyperspherical 임베딩 기하학을 분석했어요. 180개의 모델을 다양한 조건에서 실험한 결과, 훈련 데이터 개수가 멤버/비멤버 분리 능력에 가장 큰 영향을 미치는 것으로 나타났어요. 연구 결과는 훈련 데이터의 양이 늘어날수록 멤버십 신호가 감소하는 경향을 보여줘요.
연구진은 모델의 backbone과 손실 함수는 멤버/비멤버 분리 능력에 미치는 영향이 상대적으로 작다고 밝혔어요. 다양한 비멤버 벤치마크를 분석한 결과, 특정 조건에서는 멤버십 신호가 과장되는 현상이 확인됐어요.
연구진은 네 가지 통계를 결합하여 학습 분류기를 만들었고, 개별 통계보다 더 많은 멤버십 정보를 얻을 수 있음을 확인했어요.