ㅁ 합성 데이터

ㅇ 정의:
실제 데이터를 수집하지 않고, 알고리즘이나 시뮬레이션을 통해 인위적으로 생성한 데이터. 개인정보 보호, 데이터 부족 문제 해결을 위해 활용됨.

ㅇ 특징:
– 개인정보 유출 위험이 없음
– 실제 데이터의 통계적 특성을 모방 가능
– 데이터 편향을 조정하거나 희귀 케이스를 인위적으로 생성 가능
– 생성 품질은 원본 데이터 품질과 생성 알고리즘 성능에 의존

ㅇ 적합한 경우:
– 개인정보 규제가 엄격한 의료, 금융 분야 AI 모델 학습
– 희귀 이벤트나 극단값 데이터 확보가 어려운 경우
– 데이터 증강(Data Augmentation) 필요 시

ㅇ 시험 함정:
– 합성 데이터가 항상 실제 데이터보다 성능이 좋다고 단정하는 문제
– 합성 데이터는 원본 데이터 없이도 완벽하게 생성 가능하다고 오해하는 경우
– 합성 데이터가 모든 편향을 제거한다고 착각하는 경우

ㅇ 시험 대비 “패턴 보기” 예시:
O: “합성 데이터는 개인정보 보호와 데이터 부족 문제 해결에 도움이 된다.”
X: “합성 데이터는 항상 실제 데이터보다 모델 성능을 높인다.”
O: “합성 데이터는 시뮬레이션 기반으로 생성될 수 있다.”
X: “합성 데이터는 원본 데이터 없이도 무조건 신뢰할 수 있다.”

ㅁ 추가 학습 내용

합성 데이터 생성 기법에는 다음이 있다.
1. GAN(Generative Adversarial Networks): 생성자와 판별자가 경쟁하며 학습하여 현실적인 데이터를 생성. 장점은 높은 품질과 다양성, 단점은 학습 불안정성과 모드 붕괴 가능성.
2. Variational Autoencoder(VAE): 확률적 인코더-디코더 구조를 통해 데이터의 잠재 공간을 학습. 장점은 안정적인 학습과 잠재 공간 해석 가능성, 단점은 생성 데이터의 선명도가 낮을 수 있음.
3. 시뮬레이션 기반 생성: 물리적, 수학적 모델을 사용하여 가상의 데이터를 생성. 장점은 제어 가능성과 규칙 기반의 신뢰성, 단점은 현실 데이터와의 차이로 인한 도메인 갭 발생 가능성.

생성 품질 평가 방법에는 다음이 있다.
– TSTR(Test on Synthetic, Test on Real): 합성 데이터로 학습하고 실제 데이터로 테스트하여 성능을 평가.
– FID(Fréchet Inception Distance) 점수: 생성 데이터와 실제 데이터의 분포 차이를 수치로 측정.

법적 규제와 관련해서는 합성 데이터가 개인정보를 직접 포함하지 않더라도 원본 데이터 재식별 가능성이 있는 경우 규제 대상이 될 수 있다. 개인정보 비식별화는 기존 개인정보를 가공하여 식별 불가능하게 만드는 것이고, 합성 데이터는 원본 데이터의 통계적 특성을 모방하여 새로 생성한 데이터라는 점에서 차이가 있다.

실제 산업 적용 사례로는 자율주행 차량의 센서 데이터 시뮬레이션, 의료 영상 합성을 통한 데이터 확충 등이 있다.