AI for Synthetic Data Generation
테이블 데이터는 연속형 변수와 이산형 변수를 동시에 포함하는 등 데이터의 이질성이 매우 큰 특징을 가지고 있습니다. 이러한 특성으로 인해 지금까지 개발된 이미지나 텍스트 중심의 인공지능 생성 모형은 테이블 데이터 생성에 그대로 적용하기에는 한계가 있는 것으로 보고되고 있으며, 최근에는 테이블 데이터의 특성을 반영한 다양한 생성 모형이 개발되고 있습니다. 우리 연구실에서도 이러한 문제에 주목하여 대형 언어 모델(LLM)을 활용한
AI for Synthetic Data Generation
Members: 임재성연구방법론: Variational AutoEncoder, Generative Models
소개: 테이블 데이터는 연속형 변수와 이산형 변수를 동시에 포함하는 등 데이터의 이질성이 매우 큰 특징을 가지고 있습니다. 이러한 특성으로 인해 지금까지 개발된 이미지나 텍스트 중심의 인공지능 생성 모형은 테이블 데이터 생성에 그대로 적용하기에는 한계가 있는 것으로 보고되고 있으며, 최근에는 테이블 데이터의 특성을 반영한 다양한 생성 모형이 개발되고 있습니다. 우리 연구실에서도 이러한 문제에 주목하여 대형 언어 모델(LLM)을 활용한 테이블 데이터 생성 방법을 연구하고 있습니다. 여기서 생성 대상은 단순한 하나의 독립적인 테이블에 국한되지 않습니다. 시간에 따른 데이터의 변화, 여러 테이블 사이의 관계, 관계형 데이터베이스의 구조 등 보다 복잡한 형태의 테이블 데이터를 함께 고려합니다. 특히 주어진 데이터 스키마(schema)를 바탕으로 테이블과 변수 사이의 구조와 관계를 추론하고, 그 관계를 설명할 수 있으며, 동시에 이러한 구조적 제약과 의미적 관계를 만족하는 데이터를 생성하는 방법론을 연구합니다. 궁극적으로는 개별 변수의 분포뿐만 아니라 테이블 간 관계와 데이터의 구조적, 시간적 특성까지 보존할 수 있는 생성 모형을 개발하는 것을 목표로 합니다.
Funding: Ministry of Science and ICT
Leader: 임재성