우사이먼성일 연구실

본 연구는 감정 수정을 통해 얼굴 이미지의 신원을 변장하는 MAP 방법을 제안합니다. 점수 네트워크를 미세조정하여 목표 신원과 인간의 표정을 동시에 최적화하며, 국소 평활화 정규화를 적용하여 이미지 품질을 향상시킵니다. 실험 결과 기존의 노이즈 기반, 메이크업 기반, 자유형 속성 방법들을 능가하며 온라인 얼굴인식 API에 대해서도 효과적입니다.

본 연구는 이미지 캡셔닝에서 선택된 학습 샘플의 영향을 제거하는 기계 언러닝을 위해 CelebCaption 데이터셋을 제시합니다. 150명의 유명인사 사진 15,000장과 각각 4개의 캡션(상세도와 이름 포함 여부 변화)으로 구성되어 있으며, 특이성 감소, 신원 제거, 성능 보존의 세 가지 평가 기준을 제안합니다. 현재 언러닝 방법들은 캡션 품질 점수와 멤버십 추론 공격 정확도로 측정했을 때 프라이버시 목표를 달성하지 못합니다.

본 연구는 기계 언러닝(MU) 방법들을 체계적으로 평가하기 위한 시각분석 시스템 'Unlearning Comparator'를 제시합니다. 이 시스템은 정확도, 효율성, 프라이버시의 세 가지 기본 원칙에 따라 모델 비교와 멤버십 추론 공격 시뮬레이션을 지원하여 언러닝 방법 간의 트레이드오프를 분석합니다.

본 연구는 발음 가능성과 의미를 모두 갖춘 비밀번호 생성 방법인 ProSemPass를 제안합니다. 사용자가 제공한 단어를 포트만토(합성어)로 변환하여 발음 가능성과 의미를 개선합니다. 1,563명의 사용자 연구를 통해 기존 발음 가능 비밀번호 방식 대비 30% 높은 회상률을 달성했습니다.

본 연구는 FedEx, DHL, UPS의 패키지 추적 시스템에서 추적 번호(PTN)를 통해 고객 개인정보가 유출되는 문제를 분석합니다. PTN이 높은 구조성과 예측 가능성을 가지고 있어, 100만 개 이상의 추적 기록 분석 결과 5회 시도 내에 FedEx와 DHL의 90% 이상, UPS의 약 50%의 PTN을 추측할 수 있음을 보였습니다. 또한 PTN 정보를 온라인 인물 검색 서비스와 연계하여 10회 미만의 비교로 1억 명 이상의 수취인을 식별할 수 있음을 발견했습니다.