LG AI Research 550

제조 공정 및 검사 과정에서 발생하는 방대한 양의 **표 형식 데이터(Tabular Data)**는 고차원적이고 이질적인 특성을 지녀 기존 방식으로는 효과적인 학습이 어려웠다. 기존의 XGBoost와 같은 트리 기반 모델은 대규모 데이터 학습 시 확장성 문제가 있었고, 기존의 자기지도학습(SSL) 기법들은 이미지나 텍스트에 최적화되어 있어 표 형식 데이터의 구조적 차이를 반영하지 못했다.

LG AI Research는 이러한 한계를 극복하기 위해 입력 공간(Input Space)이 아닌 **표현 공간(Representation Space)**에서 데이터 증강을 수행하는 RaTab(Representation Space Augmentation for Tabular Data) 기술을 제안했다. RaTab은 인코더의 마지막 MLP 레이어 가중치 행렬을 변환함으로써 더욱 의미 있는 표현을 생성하도록 설계되었다.

이 기술은 다음과 같은 차별점을 가진다:

• 기존 방식의 한계 극복: Masking이나 Shuffling 같은 기존 증강 기법이 유발하는 핵심 피처 간의 관계 왜곡 및 정보 손실을 방지한다.
• 효과적인 SSL 수행: 표현 공간에서의 증강을 통해 표 형식 데이터에 최적화된 자기지도학습을 가능하게 한다.
• 실제 산업 적용: 제조 현장의 센서 데이터, 장비 로그 등 복잡한 데이터를 효과적으로 학습하여 공정 최적화 및 품질 관리에 기여할 수 있다.