LG AI Research 520
·2026.07.16 09:00
LG AI Research가 표 데이터의 구조를 보존하며 학습 성능을 높이는 AGATa 기술을 개발했다.
금융, 의료, 제조 등 다양한 산업에서 핵심적으로 사용되는 **표 데이터(Tabular Data)**는 이미지나 텍스트와 달리 공간적·순차적 구조가 없어 기존의 데이터 증강(Augmentation) 기법을 적용할 경우 데이터의 중요한 관계를 왜곡할 위험이 있다.
LG AI Research의 Data Intelligence(DI) Lab은 NeurIPS 2024 TRL 워크숍에서 AGATa(Attention-Guided Augmentation) 기술을 발표했다. 이 기술은 대조 학습(Contrastive Learning) 과정에서 표 데이터의 핵심 구조를 유지하면서도 효과적인 증강을 수행하도록 설계되었다.
AGATa의 핵심 작동 원리는 다음과 같다:
- Attention-Guided Feature Selection: Transformer 모델의 self-attention 스코어를 활용해 각 피처의 중요도를 계산한다.
- Dynamic Augmentation: 중요도가 낮은 피처를 식별한 후, Masking, Shuffling, CutMix 중 하나의 기법을 동적으로 적용하여 데이터의 다양성을 극대화한다.
이 방식은 실제 제조 현장과 같이 복잡한 환경에서 생성된 표 데이터에 대해서도 높은 예측 성능을 확보할 수 있어, 실무적 가치가 매우 높다.
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.