딥러닝 모델 역공격 및 방어 연구
민감한 분야에 딥러닝이 빠르게 도입되면서 개인 데이터의 프라이버시와 무결성에 심각한 위협을 가하는 모델 역공격(MI) 취약점이 대두되고 있습니다. 생체 인식, 헬스케어, 금융 등 다양한 응용 분야에서 MI 공격이 증가함에 따라 그 메커니즘, 영향 및 방어 방법을 이해하는 것이 시급합니다. 본 연구는 MI 공격 및 방어 전략에 대한 체계적이고 심층적인 문헌 검토를 제공하여 기존 연구의 공백을 메우고자 합니다. MI 공격의 체계적인 분류법을 제시하고, 공격 기술과 방어 메커니즘에 대한 광범위한 조사를 수행합니다. 이를 통해 MI 공격의 기술적, 윤리적 함의를 탐구하고, AI 기반 시스템이 프라이버시, 보안 및 신뢰에 미치는 영향에 대한 통찰력을 제공합니다. 또한, 이 분야의 도전 과제와 미래 연구 방향에 대한 논의를 포함합니다. 본 연구와 함께 MI 공격 및 방어 연구를 지원하는 포괄적인 저장소(https://github.com/overgter/Deep-Learning-Model-Inversion-Attacks-and-Defenses)를 구축하여 최신 연구 논문, 데이터셋, 평가 지표 등을 제공합니다. 이 저장소는 관련 연구자들에게 지속적으로 유용성을 제공할 것입니다.