우타리예바 아쎔, 최윤호,

Vol. 35, No. 6, pp. 1365-1378, 12월. 2025
10.13089/JKIISC.2025.35.6.1365, Full Text:
Keywords: Differential privacy, Diffusion models, Utility Restoration
Abstract

본 논문은 심각한 품질 저하를 겪는 차분 프라이버시(Differential Privacy, DP) 이미지의 유용성을 복원하기 위해 사전 학습된 Diffusion 모델을 도메인 인지형 디노이저로 사용하는 것을 조사한다. 핵심 기술은 표준 가우시안 노이즈로 학습된 모델을 미세 조정하여 (Fine-tuning) 단일 DP 노이즈 분포에 일반화하도록 하는 것이다. MNIST와 CIFAR-10 데이터셋에 대해 픽셀 수준 노이즈에는 Denoising Diffusion Probabilistic Model (DDPM)을, 특징 수준 노이즈에는 Latent Diffusion Model (LDM)을 사용하며, 시각적 품질과 후속 분류 정확도를 기반으로 복원을 평가한다. 실험은 두 가지 주요 결과를 밝혀낸다. 첫째, 픽셀 수준에서 희소한 라플라스 노이즈에 대한 복원은 매우 효과적이며, MNIST 데이터셋의 분류 정확도를 98.1%까지 복구하는 반면, 밀집된 가우시안 노이즈는 어려운 과제임을 증명한다. 둘째, 특징 수준에서 LDM은 저조한 시각적 복원에도 불구하고 거의 완벽에 가까운 98.4%의 작업 정확도를 달성하며 현저한 괴리를 보여준다. 하지만, 복원의 정도는 데이터셋의 복잡성에 크게 의존했다. 이러한 결과는 DP 메커니즘의 선택이 성공에 중요하며, 인지적 품질과 후속 유용성 사이의 중요한 상충 관계를 강조한다.

Statistics
Cite this article