본 논문은 디퓨전 모델의 학습 데이터 기여도 추적(TDA)의 신뢰성과 견고성을 높이는 방법인 MUCS(Mirrored Unlearning and Noise-Consistent Skew)를 제안합니다. MUCS는 미러링된 경사 상승을 통해 두 번째 모델을 미세 조정하고, 일관된 노이즈 샘플을 사용하여 두 모델 간의 스큐를 측정하는 방식입니다. 실험 결과, MUCS는 기존 방법보다 세 가지 데이터셋에서 큰 폭으로 성능을 개선했습니다.