기사 검색

이슈부터 IT·AI·연예·게임까지, 메타브리프의 기사를 찾아보세요.

AI

Private Evolution, 애플 연구진이 합성 데이터 알고리즘의 성능을 이론으로 해명


애플이 차등 프라이버시 기반 합성 데이터 생성 알고리즘 'Private Evolution(PE)'이 기존 이론의 예상보다 실제로 더 잘 작동하는 이유를 수학적으로 분석한 논문을 내놨다. 애플 머신러닝 연구(Apple Machine Learning Research) 사이트에 따르면 애플은 지난 10일 「Understanding Private Evolution as Learning-Augmented Clustering」 논문을 공개했다. 논문은 PE를 '생성 모델로 보강된 바서슈타인(Wasserstein) 학습'으로 다시 정의했다. 생성 모델이 실제 데이터 분포의 특징을 어느 정도 포착할 수 있다는 점을 계산에 넣으면 훨씬 나은 성능 한계를 얻을 수 있다는 것이 핵심 결론이다.


PE는 개인정보를 보호하면서 원본 데이터와 비슷한 성질을 지닌 합성 데이터를 만드는 알고리즘이다. 차등 프라이버시는 데이터셋에 특정 개인의 정보가 들어 있든 없든 결과가 거의 달라지지 않도록 수학적으로 보장하는 기법이다. 민감한 원본 데이터를 직접 내주는 대신, 통계적 특성만 닮은 합성 데이터를 만들어 모델 학습이나 분석에 쓰려는 연구가 이어지고 있으며 PE도 이 흐름에 속한다.


이번 논문은 이론과 현실 사이의 간극에서 출발했다. 초록에 따르면 PE는 바서슈타인 학습 알고리즘의 하나로 볼 수 있다. 바서슈타인 학습은 두 확률분포가 얼마나 떨어져 있는지를 '바서슈타인 거리'로 재고, 이 거리를 줄이는 방향으로 목표 분포를 근사하는 방식이다. 그런데 이 틀에서 최악의 경우를 가정해 분석하면 PE의 성능은 그리 좋지 않게 나온다. 실제로는 PE가 그 예측보다 훨씬 좋은 결과를 낸다는 점이 연구진이 풀려던 문제다.


연구진은 기존 분석이 PE 안에서 생성 모델이 하는 역할을 충분히 반영하지 못했다고 보고 해석의 틀을 바꿨다. 생성 모델을 단순한 샘플 공급원이 아니라, 실제 분포에 관해 무언가를 '알고 있는' 보조 수단으로 다룬 것이다. 이렇게 보면 성능 한계를 훨씬 좋게 잡을 수 있다는 것을 이론적으로 보였다. 초록은 예시로 생성기가 실제 데이터 분포와 같은 저차원 공간에서 샘플을 내놓는 경우를 들었다.


논문 제목의 '학습 보강(Learning-Augmented)'은 이런 관점을 담은 표현이다. 컴퓨터과학에서 학습 보강 알고리즘은 학습된 모델이 주는 예측이나 힌트를 활용해 최악의 경우를 전제한 성능 보장을 넘어서는 설계를 가리킨다. 이번 연구는 PE를 이런 틀 위의 클러스터링 문제로 놓고, 생성 모델의 품질이 알고리즘 성능을 어떻게 끌어올리는지 설명하려 했다.


이번 성과는 새 제품이나 기능이 아니라 기존 알고리즘의 작동 원리를 분석한 이론 연구다. 그동안 합성 데이터 생성 알고리즘이 왜 잘 작동하는지는 실험 결과로 주로 확인돼 왔는데, 이 논문은 그 근거를 수학적으로 제시하려 했다는 데 의미가 있다. 생성 모델의 성능이 높아질수록 프라이버시를 지키면서 만든 합성 데이터의 품질도 함께 좋아질 수 있다는 이론적 근거가 생긴 셈이다.


애플은 연구 성과를 외부 논문 공유 플랫폼보다 자사 머신러닝 연구 사이트에 먼저 올리는 경우가 많다. 그래서 이 사이트는 애플의 AI 연구 방향을 엿볼 수 있는 창구로 꼽힌다. 이번 논문도 이 채널을 통해 공개됐으며, 프라이버시 보호와 생성 모델을 결합한 데이터 활용 방식에 대한 애플 연구진의 관심을 보여준다.