대규모 확산모델(diffusion model)은 막대한 학습 비용 때문에 기업들에게 중요한 지적재산(IP)이지만 무단 도용에 취약하며, 기존 워터마킹 방식은 학습 시 모델에 흔적을 주입해 성능 저하를 유발하고 사후 파인튜닝으로 쉽게 무력화된다는 한계가 있다. 연구진은 모델을 수정하지 않고도 소유권을 검증하는 프레임워크 'Membership is Ownership(MiO)'를 제안했다. 이 방법은 비공개 멤버 증거 데이터셋에 대한 모집단 수준의 가설검정을 이용해, 멤버십 추론을 통한 모델 귀속과 공개 참조 모델과의 분리라는 두 기준을 각각 p<10^-6 수준에서 검증한다. DDIM과 Stable Diffusion에 적용한 결과 모델이나 샘플링 파이프라인 수정 없이도 높은 ROC-AUC와 진양성률을 달성했으며, 도난 후 파인튜닝이나 가중치 변형과 같은 적대적 상황에서도 기존 워터마킹 기법보다 안정적인 강건성을 보였다.

• •모델 수정 없이 소유권을 검증하는 'Membership is Ownership(MiO)' 프레임워크 제안
• •멤버십 추론 기반 모델 귀속과 공개 참조모델과의 분리를 p<10^-6에서 검증
• •DDIM·Stable Diffusion에서 높은 ROC-AUC·진양성률 달성
• •도난 후 파인튀닝·가중치 변형 공격에서도 기존 워터마킹 보다 강건