ㅁ 생성 기법

ㅇ 정의:
실제 데이터를 기반으로 유사한 특성을 가진 합성 데이터를 생성하는 기법.

ㅇ 특징:
– 데이터 프라이버시를 보호하면서도 분석 및 모델 학습에 활용 가능.
– 통계적 특성과 분포를 유지하도록 설계.

ㅇ 적합한 경우:
– 민감한 데이터를 외부에 공유하거나 테스트 환경에서 사용할 때.
– 데이터 부족으로 인해 모델 학습이 어려운 경우.

ㅇ 시험 함정:
– 합성 데이터가 원본 데이터의 프라이버시를 충분히 보호하지 못하는 경우.
– 생성된 데이터가 실제 데이터의 분포를 왜곡하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 합성 데이터는 항상 원본 데이터와 동일한 분포를 가진다. (X)
2. 합성 데이터는 민감한 데이터를 보호하기 위한 대안이다. (O)

================================

1. Tabular Synth

ㅇ 정의:
표 형식 데이터의 구조와 통계적 특성을 유지하면서 합성 데이터를 생성하는 기술.

ㅇ 특징:
– 행과 열의 관계를 보존하며 데이터를 생성.
– 데이터의 통계적 분포를 유지하도록 설계.

ㅇ 적합한 경우:
– 금융, 의료 등 민감한 데이터를 다루는 분야에서 데이터 공유가 필요할 때.
– 데이터 샘플 수가 부족한 경우.

ㅇ 시험 함정:
– Tabular Synth는 모든 데이터 유형에 적합하다. (X)
– 생성된 데이터가 항상 원본 데이터와 동일한 패턴을 갖는다. (X)

ㅇ 시험 대비 “패턴 보기” 예시:
1. Tabular Synth는 표 형식 데이터의 합성에 특화된 기술이다. (O)
2. Tabular Synth는 텍스트 데이터를 처리하는 데 사용된다. (X)

ㅁ 추가 학습 내용

Tabular Synth와 관련된 학습 내용을 다음과 같이 정리합니다:

1. 데이터 생성 알고리즘의 차이점:
– GAN(Generative Adversarial Network): 생성자와 판별자가 경쟁하며 데이터를 생성하는 방식으로, 실제 데이터와 유사한 합성 데이터를 생성하는 데 효과적입니다. 그러나 훈련이 불안정할 수 있고, 과적합 문제가 발생할 가능성이 있습니다.
– Variational Autoencoder(VAE): 데이터의 잠재 공간을 학습하여 데이터를 생성하는 방식으로, 안정적인 훈련이 가능하며 잠재 공간을 활용한 데이터 조작이 용이합니다. 하지만 GAN에 비해 생성 데이터의 품질이 떨어질 수 있습니다.
– 두 알고리즘은 데이터의 복잡성과 목표에 따라 선택되며, GAN은 고품질 데이터를 생성하는 데 강점이 있고, VAE는 해석 가능성과 안정성에 유리합니다.

2. 합성 데이터의 품질 평가 방법과 지표:
– RMSE(Root Mean Square Error): 합성 데이터와 실제 데이터 간의 차이를 측정하여 품질을 평가합니다. 값이 낮을수록 품질이 좋습니다.
– KL Divergence(Kullback-Leibler Divergence): 합성 데이터의 분포와 실제 데이터 분포 간의 차이를 정량적으로 측정합니다. 값이 작을수록 분포가 유사합니다.
– 추가적으로, 합성 데이터의 품질을 평가하기 위해 데이터의 통계적 특성(예: 평균, 분산 등)과 실제 데이터와의 일치 여부를 분석하거나, 머신러닝 모델을 통해 합성 데이터를 활용한 예측 성능을 비교할 수 있습니다.

3. 윤리적 문제와 해결 방안:
– 개인정보 보호: 합성 데이터가 실제 데이터를 기반으로 생성되므로 민감한 정보가 유출될 위험이 있습니다. 이를 해결하기 위해 Differential Privacy를 적용하거나 데이터의 익명성을 강화하는 기술을 사용할 수 있습니다.
– 데이터 편향: 합성 데이터가 실제 데이터의 편향을 그대로 반영하거나, 새로운 편향을 생성할 수 있습니다. 이를 방지하기 위해 데이터 생성 과정에서 편향을 감지하고 수정하는 알고리즘을 적용해야 합니다.
– 신뢰성 부족: 합성 데이터가 실제 데이터와 다를 경우, 데이터 활용 결과에 대한 신뢰성이 떨어질 수 있습니다. 이를 해결하기 위해 품질 평가를 철저히 수행하고, 합성 데이터의 한계를 명확히 인지하여 사용해야 합니다.