정형 데이터의 텍스트 변환을 통한 대규모 언어 모델 기반 데이터 증강 방법론

Q: 이 논문에서 정의한 데이터 증강이란 무엇인가?

모델의 일반화 성능을 향상시키기 위해 기존 데이터를 변형하거나 새로운 데이터를 생성하는 기술을 의미한다. 본 연구에서는 특히 대규모 언어 모델을 활용하여 정형 데이터를 텍스트로 변환하고 합성함으로써 분류 모델의 정확도를 높이는 방법론으로 활용된다.

Q: LLM 기반 데이터 증강이 정형 데이터 분류 모델의 성능에 어떤 영향을 미치는가?

연구 결과, LLM 기반 데이터 증강 방법론은 기존의 SMOTE 기반 기법보다 금융 부도 예측 모델의 정확도를 1.33%p 향상시켰다. 따라서 LLM을 통한 데이터 합성이 정형 데이터 분석의 예측 성능을 높이는 데 효과적인 대안이 될 수 있음을 보여준다.

홍주영; 김립; 김남규

doi:10.13088/jiis.2024.30.4.071

학술저널

저자정보: 홍주영 (국민대학교) 김립 (국민대학교) 김남규 (국민대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제30권 제4호

오류 신고하기

피인용 0

검색

초록·키워드

기업, 금융기관 및 공공기관에서 관계형 데이터베이스를 활용하여 방대한 양의 정형 데이터를 축적하게 됨에 따라, 이를 효과적으로 분석하고 활용하기 위한 요구가 증대되고 있다. 이에, 최근 딥러닝 기술의 발전과 함께 이미지 및 텍스트 분석 분야에서 주목할만한 성과가 나타나면서 정형 데이터 분석에도 딥러닝을 적용하려는 시도가 활발히 진행되고 있다. 하지만 기존 연구 결과에 따르면, 정형 데이터에 대한 딥러닝 모델의 성능이 기존 머신러닝 모델의 성능을 넘어서지는 못한 것으로 보고되고 있다. 이는 딥러닝 모델이 표 형태의 데이터 특성을 충분히 고려하지 못하기 때문으로 분석된다. 이에 본 연구는 표 형태의 데이터 분석에 간접적으로 딥러닝 기법을 이용하는 방법으로, 대규모 언어 모델 기반 데이터 증강을 활용한 예측 및 분류 모델의 성능 향상 방법론을 제안한다. 즉, 표 형태의 데이터를 텍스트 형태로 변형하여 학습데이터로 활용하고, 공개된 LLM 모델을 파인튜닝 한 후 기존 텍스트 데이터와 유사한 새로운 텍스트 데이터를 생성한 다음, 새로 생성된 텍스트 데이터를 다시 표 형태의 데이터로 변형하여, 이를 기존 데이터와 결합하고 머신 러닝 모델을 학습한다. 제안 방법론을 통해 데이터 부족의 문제를 해결하고 모델의 일반화 성능을 향상시킬 수 있을 것으로 기대한다. 본 연구에서는 금융 분야의 부도율 예측 데이터를 활용한 실험을 진행하였으며, 실험 결과 제안 방법론은 기존의 데이터 증강 기법에 비해 금융 부도 예측 모델의 정확도 성능을 1.33%p 향상시켰음을 확인하였다. 본 연구는 딥러닝과 기존 머신 러닝 각각의 장점을 결합하여 딥러닝을 정형 데이터 분석에 활용하는 새로운 가능성을 제시했다는 점에서 의미가 있다.

As organizations, financial institutions, and public agencies increasingly leverage relational databases to accumulate vast amounts of structured data, the demand for effective analysis and utilization of such data continues to grow. Recently, with the advancement of deep learning technologies, remarkable achievements have been made in fields like image and text analysis, prompting active attempts to apply deep learning to structured data analysis. However, prior research indicates that the performance of deep learning models on structured data has not surpassed that of traditional machine learning models. This limitation is attributed to the inability of deep learning models to fully capture the characteristics of tabular data. To address this issue, this study proposes a novel methodology that indirectly incorporates deep learning techniques for tabular data analysis by leveraging large language model(LLM)-based data augmentation to improve the performance of predictive and classification models. Specifically, the method involves transforming tabular data into text form for training, fine-tuning publicly available LLMs, generating new text data similar to the original dataset, and converting the newly generated text back into tabular format. This augmented tabular data is then combined with the original dataset to train machine learning models. The proposed methodology is expected to address data scarcity issues and enhance the generalization performance of models. Experiments conducted on financial bankruptcy prediction datasets demonstrated that the proposed approach improved the accuracy of bankruptcy prediction models by 1.33 percentage points compared to traditional data augmentation techniques. This study highlights the potential of combining the strengths of deep learning and traditional machine learning to open new possibilities for applying deep learning in structured data analysis.

#데이터 증강 #정형 데이터 분석 #언어 모델 #분류 모델 #Data Augmentation #Structured Data Analysis #Language Model #LLM #Classification Model

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-151-25-02-092093072

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료