합성 데이터

합성 데이터(Synthetic Data)는 실제로 관측해 수집한 기록 대신, 규칙·시뮬레이션·생성 모델로 만든 데이터를 말합니다. 원본 자료에서 통계적 관계를 추정해 새 행이나 새 콘텐츠를 만들 수도 있고, 물리 규칙을 적용해 아직 일어나지 않은 상황을 만들 수도 있습니다. NIST SP 800-226은 합성 데이터를 원본과 비슷한 구조와 성질을 유지하려 시도하지만 실재하지 않는 개체로 구성한 데이터로 설명합니다. 원본과 얼마나 비슷한지는 사용 목적에 맞춰 확인해야 합니다. 합성했다는 사실만으로 정확성이나 비식별성이 보장되지는 않습니다.

어떻게 만들까

시뮬레이션은 카메라, 도로, 물체의 움직임처럼 알려진 조건을 계산해 이미지를 만들 수 있습니다. 자율주행 모델의 드문 사고 장면을 여러 날씨와 각도로 만들 때 유용합니다. 규칙 기반 생성은 “주문 금액은 음수가 될 수 없다”, “퇴사일은 입사일 뒤여야 한다”처럼 도메인 조건과 분포를 정해 표 형식의 예제를 만듭니다. 규칙이 명확할수록 원하지 않는 조합을 막기 쉽지만, 규칙에 없는 현실의 예외는 빠질 수 있습니다.

생성 모델은 실제 데이터에서 패턴을 학습한 뒤 새 샘플을 냅니다. NIST는 단순한 집계 기반 방법부터 딥러닝까지 여러 방법이 있다고 설명하며, 상관관계를 보존하는 일이 어려운 과제임을 지적합니다. NIST의 합성 데이터 안내처럼 생성 방식과 목적을 함께 기록해야, 같은 ‘합성’이라는 말 아래 서로 다른 데이터의 품질을 비교하지 않게 됩니다. 텍스트 생성 모델로 문제와 답변을 만드는 경우도 이 범주에 들어가지만, 생성 모델이 쓴 문장이 사실이라는 검사는 별도로 필요합니다.

세 방식은 함께 쓸 수도 있습니다. 예를 들어 시뮬레이터가 만든 주행 장면에 규칙으로 드문 위험 조건을 추가하고, 생성 모델로 조명이나 배경의 변화를 늘릴 수 있습니다. 다만 각 단계가 어떤 원본과 규칙을 썼는지 추적할 수 있어야 오류가 생겼을 때 원인을 찾을 수 있습니다. 생성량이 많다는 사실은 다양한 현실 조건을 충분히 담았다는 증거가 아닙니다.

품질은 목적에 맞춰 검사한다

합성 데이터 평가는 원본과의 모양만 비교해서 끝나지 않습니다. 범주 비율, 평균, 드문 사례의 비율뿐 아니라 변수 사이의 관계가 보존됐는지 살펴야 합니다. 이어서 합성 데이터로 학습한 모델이 실제 환경의 독립 평가 세트에서 원하는 성능을 내는지 확인합니다. NIST의 SDNist는 합성 데이터의 유용성과 프라이버시 지표를 함께 보고하도록 설계되어 있어, 한 점수만으로 품질을 단정하지 않는 이유를 보여 줍니다.

평가 오염도 주의해야 합니다. 학습과 평가에 같은 시뮬레이터 장면, 같은 템플릿, 같은 원본 레코드의 변형이 섞이면 실제 성능보다 높은 점수가 나올 수 있습니다. 생성 전에 학습·검증·평가의 원본 집합과 시드, 템플릿, 시나리오를 분리하고, 가능하면 별도로 수집한 실제 자료로 마지막 평가를 합니다. 희귀 사례를 늘릴 때도 어떤 사례를 의도적으로 늘렸는지 기록해야, 전체 분포를 그대로 재현했다고 오해하지 않습니다.

프라이버시와 반복 학습의 한계

합성 데이터라는 이름만으로 개인을 식별할 수 없는 데이터가 되지는 않습니다. 원본에서 얼마나 가까운 샘플이 나오는지, 외부 정보와 결합했을 때 재식별 위험이 커지는지, 배포 목적에 필요한 보호 수준을 평가해야 합니다. NIST는 차등 프라이버시 조건을 만족하지 않는 합성 방식은 강한 프라이버시 보장을 자동으로 제공하지 않는다고 설명합니다. 법적 적합성 여부는 데이터의 출처, 생성 방식, 사용 목적에 따라 따로 검토해야 합니다.

생성 데이터만 반복해서 다음 세대 학습에 쓰는 방식도 조건을 확인해야 합니다. 반복 생성 데이터 연구는 원래 실제 데이터를 새 합성 데이터로 계속 대체하는 설정에서 성능 저하를 관찰했고, 실제 데이터와 함께 누적하는 설정에서는 다른 결과를 보였습니다. 그래서 자동 생성분은 사실성·중복·유해성·분포 편향을 걸러내고, 실제 자료와 분리된 평가를 유지해야 합니다. 합성 데이터는 부족한 사례를 보완하는 데 쓸 수 있지만, 어떤 실제 환경에도 그대로 통한다는 보장은 없습니다.