딥러닝 모델 저작권 보호의 혁신: FIT-Print의 등장

Shao 등의 연구는 기존 모델 지문 기술의 허점을 지적하고, 허위 주장 공격에 강력한 저항성을 가진 FIT-Print를 제시합니다. FIT-Print는 표적화된 지문 생성을 통해 블랙박스 모델에도 적용 가능한 FIT-ModelDiff와 FIT-LIME을 개발하여 오픈소스 모델의 지적재산권 보호에 새로운 가능성을 제시합니다.

오픈소스 모델의 지적재산권 보호는 AI 시대의 중요한 과제입니다. 기존의 모델 지문 기술은 모델 수정 없이 저작권을 보호하는 편리한 방법으로 여겨져 왔습니다. 하지만 Shao 등 (2025)의 연구는 이러한 기술의 치명적인 취약점을 드러냈습니다. 바로 허위 주장 공격입니다. 악의적인 행위자는 타인의 모델을 자신의 것으로 속일 수 있었던 것입니다.

이 문제의 근본 원인은 기존 기술의 비표적적(untargeted) 특성에 있습니다. 기존 기술들은 서로 다른 모델의 출력을 비교하는 데 집중했지, 특정 참조 모델과의 유사성에는 초점을 맞추지 않았습니다.

Shao 등 (2025)은 이러한 문제를 해결하기 위해 FIT-Print라는 새로운 패러다임을 제시합니다. FIT-Print는 지문을 표적화된 서명(targeted signature) 으로 변환하여 허위 주장 공격에 대한 강력한 방어막을 구축합니다. 핵심은 특정 참조 모델과의 유사성에 초점을 맞춤으로써, 악의적인 행위자의 허위 주장을 막는 것입니다.

FIT-Print의 원리를 바탕으로, 연구팀은 블랙박스 모델에도 적용 가능한 두 가지 방법을 개발했습니다. FIT-ModelDiff는 모델 출력 간의 거리를, FIT-LIME은 특정 샘플의 특징 속성을 지문으로 활용합니다. 벤치마크 모델과 데이터셋을 이용한 광범위한 실험을 통해 FIT-Print의 효과, 전달 가능성, 그리고 허위 주장 공격에 대한 저항성이 검증되었습니다.

이 연구는 오픈소스 모델의 지적재산권 보호에 새로운 지평을 열었습니다. FIT-Print는 단순히 기술적인 개선을 넘어, AI 생태계의 신뢰성과 공정성을 확보하는 데 중요한 역할을 할 것으로 기대됩니다. 하지만, 계속해서 진화하는 공격 기법에 대비하여 FIT-Print의 지속적인 발전과 보완이 필요할 것입니다. 향후 연구에서는 더욱 강력하고 안전한 모델 지문 기술의 개발이 중요한 과제로 남아있습니다.