Fortress: 시계열 데이터 증강 및 Feature Pruning을 통한 검색 추천 시스템의 안정화 사례 연구

검색 및 추천 시스템의 예측 모델은 특정 입력 Feature가 출력 점수의 변동성을 초래할 때 Temporal Instability(시계열적 불안정성) 문제를 겪는다. 이러한 불안정성은 모델의 신뢰도를 떨어뜨리며, 특히 일관된 예측이 필수적인 다단계(multi-stage) 시스템의 의사결정에 악영향을 미친다.

이를 해결하기 위해 제안된 Fortress는 모델의 안정성과 정확도를 동시에 향상시키는 범용 프레임워크다. 이 프레임워크는 시간이 지남에 따라 예측 점수를 불일치하게 만드는 Feature를 식별하고 제거하는 Feature Pruning 방식을 사용한다.

Fortress의 핵심 메커니즘은 다음과 같다:

• Temporal Data Augmentation: 역사적 스냅샷으로 시간적으로 분할된 데이터셋을 활용하여 모델의 견고함을 테스트한다.
• Feature Pruning: 예측의 변동성을 유발하는 특정 Feature를 식별하여 제거함으로써 모델의 일관성을 확보한다.
• Stability & Accuracy Optimization: 모델이 시간에 따라 변하는 데이터 환경에서도 안정적인 예측을 유지하도록 최적화한다.