LG AI Research 519
·2026.07.16 09:00
LG AI연구원이 테이블 데이터의 구조적 특징을 보존하며 학습 성능을 극대화하는 새로운 증강 기법 AGATa를 발표했다.
금융, 의료, 제조 등 다양한 산업 현장에서 핵심적으로 사용되는 Tabular Data(테이블 데이터)는 기존의 이미지나 텍텍스트와 달리 공간적·순차적 구조가 없어 기존 데이터 증강 기법을 적용할 경우 데이터의 중요한 관계를 왜곡할 위험이 있습니다.
LG AI연구원의 Data Intelligence (DI) Lab은 이러한 문제를 해결하기 위해 AGATa(Attention-Guided Augmentation)라는 새로운 접근법을 개발했습니다. 이 기술은 Transformer 모델의 Self-attention 점수를 활용해 각 피처의 중요도를 계산하고, 중요도가 낮은 피처를 선별하여 증강을 수행합니다.
AGATa의 주요 특징은 다음과 같습니다:
- Attention-Guided Feature Selection: Self-attention 메커니즘을 통해 피처별 중요도를 동적으로 파악합니다.
- Dynamic Augmentation: 매 에포크마다 Masking, Shuffling, CutMix 중 하나의 기법을 무작위로 적용해 데이터 다양성을 극대화합니다.
- Structure Preservation: 테이블 데이터의 고유한 구조적 특징을 유지하면서도 Contrastive Learning의 성능을 높입니다.
이번 연구는 제조 공정 등 실제 산업 현장에서 발생하는 복잡한 테이블 데이터에 대해서도 높은 학습 성능을 달성할 수 있는 가능성을 제시하며 NeurIPS 2024 TRL 워크숍에서 주목을 받았습니다.
이 요약은 원문 이해를 돕기 위한 큐레이션입니다. 저작권은 원저작자에게 있으며, 정확한 내용과 맥락은 원문을 확인하세요.
요약 오류, 출처 표기 문제, 삭제 요청은 문의 · 건의로 알려주세요.