대출 거절 이유를 위한 사용자 친화적 설명 생성 GAN

본 논문은 금융 서비스에서 인공지능(AI) 기반 대출 심사 결과, 특히 대출 거절에 대한 설명을 최종 사용자에게 이해하기 쉬운 형태로 제공하기 위한 새로운 접근법을 제시한다. 연구 동기는 현재 대부분의 XAI 기법이 모델 개발자나 데이터 과학자에게 초점을 맞추어, 일반 고객이나 비전문가에게는 실질적인 도움이 되지 못한다는 점이다. 이를 해결하고자 저자들은 두 가지 주요 목표를 설정하였다. 첫째, 소규모 데이터셋에서도 효과적으로 학습할 수 있는 텍스트 생성 GAN을 설계하여, 사용자 친화적 설명을 자동으로 생성한다. 둘째, 생성된 설명을 ‘교육용’과 ‘행동 유도용’ 두 가지 스타일로 구분해, 각각 고객에게 상황을 설명하고 향후 대출 신청 시 개선 방안을 제시하도록 한다. 데이터 구축 단계에서 저자들은 Amazon Mechanical Turk을 활용해 2 432개의 대출 거절 이유 설명 문장을 수집하였다. 각 문장은 ‘광범위 이유(예: 직업, 신용, 소득)’와 ‘구체적 이유(예: 직업 불안정, 신용 점수 낮음)’라는 두 레벨의 라벨링이 이루어졌으며, 이를 ‘X‑Net’이라는 최초의 사용자 친화적 설명 데이터셋으로 정제하였다. 또한, 교육용·행동 유도용 두 스타일을 동시에 포함하는 2 432개의 문장 쌍을 추가로 구축해 ‘Extended X‑Net’ 데이터셋을 만든다. 이 과정에서 언어학자와 협업해 문법·의미적 정확성을 확보하였다. 모델 설계는 기존 ARAE‑GAN(Zhao et al., 2017)을 기반으로 하되, 제한된 학습 데이터 문제를 극복하기 위해 세 가지 핵심 변형을 도입한다. 첫째, 생성기 입력에 가우시안 혼합 모델(GMM)을 사용해 잠재 공간을 다중 모드로 표현함으로써, 작은 데이터에서도 다양한 문장 패턴을 학습하도록 한다. 둘째, ‘광범위 이유’와 ‘구체적 이유’를 계층적으로 임베딩하는 두 단계 조건부 방식을 적용한다. 이는 이유 간의 상하위 관계를 모델이 명시적으로 인식하게 하여, 조건에 맞는 일관된 문장을 생성하도록 돕는다. 셋째, 라벨러와 안티라벨러라는 두 개의 분류 손실을 추가한다. 라벨러는 실제 문장의 이유를 예측하고, 안티라벨러는 생성된 문장의 이유를 추정함으로써, GAN 훈련 과정에 의미 기반 피드백을 제공한다. 이러한 손실은 전통적인 판별 손실만으로는 포착하기 어려운 의미 적합성을 강화한다. 스타일 전이 부분에서는 교육용과 행동 유도용 두 스타일을 동시에 생성하기 위해 세 가지 실험을 수행한다. (1) 비정렬 스타일 전이: 기존 ARAE‑GAN을 그대로 적용해 쌍이 없는 데이터로 학습, (2) 가우시안 혼합을 포함한 비정렬 전이, (3) 정렬된 문장 쌍을 활용한 스타일 전이. 정렬된 데이터가 가장 높은 BLEU·ROUGE 점수를 기록했으며, 가우시안 혼합과 계층적 조건부가 비정렬 상황에서도 의미 일관성을 크게 향상시켰다. 실험 결과는 제안된 GAN 모델이 제한된 2 432문장 데이터셋에서도 높은 품질의 설명을 생성함을 보여준다. 특히, 조건부 생성과 분류 손실을 결합함으로써 생성 문장이 지정된 이유와 일치하는 비율이 크게 상승했으며, 스타일 전이를 통해 동일한 이유에 대해 교육용과 행동 유도용 두 가지 다른 어투의 문장을 동시에 생성할 수 있었다. 인간 평가에서도 생성된 설명이 실제 대출 담당자가 제공할 법한 문장과 유사하다는 점수가 높게 나타났다. 논문의 주요 기여는 다음과 같다. (1) 대출 신청자를 위한 친절한 설명 데이터셋을 최초로 구축, (2) 소규모 텍스트 데이터에서도 학습 가능한 새로운 조건부 GAN 아키텍처 설계, (3) 이유 기반 계층적 조건부와 의미 분류 손실을 도입해 텍스트 의미 적합성을 강화, (4) 교육용·행동 유도용 두 스타일을 동시에 생성하는 스타일 전이 메커니즘 구현. 이러한 기여는 금융 분야에서 AI 의사결정의 투명성을 높이고, 규제 요구사항을 충족시키며, 고객 신뢰를 향상시키는 실용적 솔루션을 제공한다. 향후 연구 방향으로는 (① 실제 대출 심사 모델과 연계해 엔지니어 친화적 설명을 사용자 친화적 텍스트로 변환하는 파이프라인 구축, ② 다국어·다문화 환경에 맞는 설명 생성 모델 확장, ③ 실시간 대출 신청 인터페이스에 통합해 사용자 피드백을 기반으로 설명을 지속적으로 개선하는 순환 학습 구조) 등을 제시한다.