이 서베이(SoK) 논문은 머신러닝 설명(XAI)이 만들어내는 프라이버시 공격 표면을 다룬 25편의 연구를 체계적으로 정리했다. 기존 연구가 블랙박스·화이트박스로만 구분해 공격자에게 실제로 전달되는 설명 신호의 차이를 가려온 문제를 지적하며, 모델 지식과 설명 획득 경로를 분리해 타깃 공개, 공격자 유도, 2차 노출, 특권적 접근, 공개된 전역 아티팩트라는 다섯 가지 경로를 제시한다. 이 경로들에 걸쳐 설명이 모델 추출 비용을 낮추고, 멤버십 신호를 드러내며, 프라이빗 입력의 재구성을 돕는다는 점을 밝혔다. 어떤 설명 기법도 무조건 안전하지 않고 어떤 방어도 절대적이지 않다며, 설명 프라이버시를 노출 경로에 맞춘 종단간 문제로 평가해야 한다고 제언한다.

• •XAI 기반 프라이버시 공격(모델 추출·멤버십 추론·모델 역전) 25편 연구를 체계적으로 정리
• •모델 지식과 설명 획득을 분리해 5가지 노출 경로(타깃공개·공격자유도 등)로 재분류
• •설명이 모델 추출 비용 절감, 멤버십 신호 노출, 입력 재구성을 모두 지원할 수 있음을 규명
• •무조건 안전한 설명 기법도 절대적 방어도 없다며 종단간 평가 프레임 필요성 제기