FedTensor

인공지능(AI) 모델, 특히 딥러닝 모델의 구조(architecture)와 파라미터(parameter, 가중치)는 모델의 핵심 지적 재산(IP)이자 성능을 좌우하는 전부입니다. 이러한 정보가 유출되는 것은 기업이나 연구 기관에 막대한 금전적, 전략적 손실을 초래할 수 있는 심각한 보안 위협입니다. 이러한 위협은 크게 '모델 탈취(Model Stealing)' 또는 '모델 추출(Model Extraction)' 공격의 범주에 속합니다.1. 모델 구조 누출모델 구조 누출은 AI 모델의 '청사진'을 훔치는 행위입니다. 이는 모델이 몇 개의 레이어로 구성되어 있는지, 각 레이어는 어떤 종류(e.g., Convolutional, Recurrent, Transformer)인지, 어떻게 연결되어 있는지 등의 하이퍼파..

인공지능(AI) 모델의 보안 위협 중 하나인 모델 역공격(Model Inversion Attack)에 대해 소개하고 주요 사례를 설명합니다.모델 역공격 (Model Inversion Attack) 이란? 모델 역공격은 이미 학습이 완료된 AI 모델을 이용하여, 모델이 학습했던 원본 학습 데이터(training data)의 일부 또는 전체를 복원하려는 사이버 공격입니다. 일반적으로 AI 모델은 학습 데이터를 통해 특정 패턴을 학습하며, 이 과정에서 데이터의 민감한 정보가 모델 내부에 '기억'될 수 있습니다. 공격자는 이 점을 악용하여, 모델의 출력값(예: 예측 결과, 신뢰도 점수)을 분석하고 역추적함으로써 원본 데이터를 재구성해냅니다.주요 목표: 모델이 학습한 민감한 정보(개인정보, 의료 기록, 금융 데이..

혼란도는 언어 모델(LM)이 텍스트를 얼마나 잘 예측하는지 측정하는 표준 지표입니다. 이름 그대로, 모델이 특정 단어 시퀀스(문장)를 보고 얼마나 '당황했는지' 또는 '혼란스러워했는지'를 수치화한 것입니다.PPL이 낮을수록 (Less perplexed) 모델이 해당 텍스트의 구조를 잘 이해하고 다음 단어를 높은 확률로 정확하게 예측했다는 의미입니다. (성능이 좋음)PPL이 높을수록 (More perplexed) 모델이 해당 텍스트를 예측하는 데 어려움을 겪었으며, 실제 정답 단어에 매우 낮은 확률을 할당했다는 의미입니다. (성능이 나쁨)1. 직관적인 이해: "평균적인 선택지의 개수"PPL을 가장 쉽게 이해하는 방법은 "모델이 다음 단어를 예측할 때 평균적으로 느끼는 유효한 선택지의 개수"라고 생각하는 것..

정보 보안 기술과 개인정보보호 강화 기술(PETs)은 데이터를 보호한다는 공통점을 갖지만, 목표와 범위, 핵심 기능에서 뚜렷한 차이를 보입니다. 정보 보안 기술이 외부의 위협으로부터 데이터라는 성을 지키는 '견고한 방패'라면, PETs는 성 안의 중요한 개인정보를 보호하면서도 안전하게 바깥과 교류(활용)할 수 있도록 길을 열어주는 '마법 열쇠'에 비유할 수 있습니다. 핵심 목표의 차이 가장 큰 차이는 기술이 추구하는 핵심 목표에 있습니다. 정보 보안 기술: 정보의 기밀성(Confidentiality), 무결성(Integrity), 가용성(Availability), 즉 '정보 보안의 3요소(CIA Triad)' 보장을 최우선으로 합니다. 허가되지 않은 접근을 막고, 데이터 위변조를 방지하며, 필요할 때 언..

'EEG 미시상태(Microstate)'를 "생각의 원자(Atoms of thought)"라고 부르는 이유와 그 구체적인 내용에 대해 설명합니다.1. EEG 미시상태란 무엇인가? 먼저, EEG(뇌파)는 두피에 전극을 붙여 뇌의 수많은 뉴런 그룹이 동시에 활동하며 발생하는 전기장(Electric Field)을 측정하는 기술입니다. EEG 미시상태(Microstate)는 이 뇌 전체의 전기장(Electric Field)이 순간적으로 안정된 상태를 유지하는 특정 공간적 패턴(Spatial Pattern)을 말합니다.이 '안정된 패턴'은 약 60~120밀리초(ms) (1초의 1/10초 내외)라는 매우 짧은 시간 동안 유지됩니다. 그러다가, 이 패턴은 다른 안정된 패턴으로 순간적으로 '도약'(abruptly tr..

다음은 뇌의 미시/거시 상태 및 확률적 도약 개념을 지지하는 주요 이론적 배경과 구체적인 실험 결과들을 정리한 문서입니다.1. 개요 뇌를 정적인 회로가 아닌, 끊임없이 변화하는 동적 시스템(Dynamic System)으로 이해하는 것은 현대 뇌과학의 핵심 패러다임입니다. 이 관점에서 "생각"이나 "감정" 같은 뇌의 거시적 상태(Macrostate)는, 수십억 개 뉴런의 순간적인 활동 패턴(Microstate)들이 통계적으로 모여 형성된 준안정 상태(Metastable State)로 간주됩니다. 의식의 흐름은 뇌가 하나의 준안정 상태(하나의 '생각')에 잠시 머무르다가, 내재된 노이즈(noise)나 외부 자극에 의해 확률적으로 다른 상태로 '도약'(Transition)하는 과정으로 설명됩니다. 이는 통계역..

본 문서는 현대 뇌과학의 성과를 바탕으로, 의식을 뇌 신경망의 통계적 속성과 베이지안 추론 과정의 결합으로 설명하는 확률적 모델을 제시합니다. 이 모델은 의식이 고정된 실체가 아니라, 뇌의 물리적 상태 공간(State Space) 위에서 펼쳐지는 동적이고 확률적인 현상임을 강조합니다.1. 뇌 신경망의 통계 역학: 거시 상태로서의 의식뇌의 활동과 의식의 관계를 통계 역학의 미시 상태와 거시 상태로 모델링할 수 있습니다.1.1. 미시 상태 (Microstate, $\omega$)정의: 뇌 신경망의 순간적인 물리적 상태입니다.구성 요소: 약 860억 개의 뉴런 각각의 활성화 상태(발화 여부, 발화율), 그리고 그 사이를 연결하는 약 $10^{15}$개 시냅스 각각의 연결 강도(weight) 및 신호 전달 물..

인공신경망(ANN)과 뇌 신경망(Biological Neural Network)은 모두 입력을 받아 처리한 후 출력을 내보내는 정보 처리 시스템이라는 점에서 유사하지만, 그 작동 방식과 특성에는 근본적인 차이가 있습니다. 두 신경망을 입출력(I/O) 관점과 뇌의 주요 특성(되먹임, 분산 처리, 신경가소성)을 중심으로 비교 설명합니다.1. 인공신경망 (ANN)의 입출력인공신경망(특히 보편적인 피드포워드 네트워크, FNN)의 입출력은 비교적 명확하고 정적입니다.입력 (Input):데이터가 정형화된 숫자 벡터(Vector) 또는 텐서(Tensor) 형태로 주어집니다. (예: 이미지의 픽셀 값, 문장의 단어 임베딩 값) 입력 데이터는 입력층(Input Layer)의 모든 노드에 동시에 전달됩니다.처리 (Proc..

로지스틱 회귀 모델에서 독립 변수($x$)의 값이 1 증가할 때 증가 전후의 오즈(Odds) 값의 비율, 즉 오즈비(Odds Ratio)는 $x$의 계수를 지수로 취한 값($e^\text{계수}$)이다.왜 $e^{\text{계수}}$가 오즈비인가?설명을 위해 로지스틱 회귀의 기본 식에서 시작하겠습니다. (독립 변수가 $x$ 하나라고 가정) 1. 로지스틱 회귀의 기본 식 (로짓 변환) 로지스틱 회귀는 '성공' 확률 $p$가 아니라, '성공'의 로그-오즈(Log-Odds)를 $x$에 대한 선형식으로 모델링합니다.$$log(Odds) = log\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1x$$$\beta_0$: 절편 ($x=0$일 때의 로그-오즈)$\beta_1$: $x..

logistic과 logit은 통계학에서 밀접하게 연결되어 있지만, 어원적으로는 서로 다른 시기에 다른 인물에 의해 만들어졌습니다. logit이 logistic에서 파생되었습니다.1. Logistic (로지스틱)logistic이라는 단어가 통계학의 S자형 곡선(로지스틱 함수)을 지칭하게 된 것은 logit보다 약 100년 정도 빠릅니다.창시자: 벨기에의 수학자 피에르 프랑수아 베르훌스트 (Pierre François Verhulst)시기: 1830년대 ~ 1840년대 어원: 베르훌스트는 인구 증가 모델을 설명하기 위해 이 S자형 곡선을 "로지스틱 곡선(logistic curve)"이라고 명명했습니다.그가 왜 이 이름을 선택했는지는 명확히 밝히지 않았지만, 가장 유력한 어원은 그리스어 logistikos(..