기계 학습으로 만드는 기업 비밀, 합성 마이크로데이터 개발

초록

본 논문은 미국 인구조사국의 기업 설문조사 데이터를 공개용으로 활용하기 위해 기계 학습 기반 합성 마이크로데이터를 개발하는 방법을 제시한다. 빅데이터 시대에 재식별 위험이 높아진 기존 비공개 데이터의 문제를 해결하고, 통계적 유용성을 유지하면서 개별 기업 정보를 보호하는 합성 데이터 생성 모델(CenSyn, synthpop)을 소개한다. 2007년 사업주 조사 데이터에 적용한 결과, 합성 데이터가 원본 데이터의 핵심 통계적 속성을 성공적으로 재현함을 보여주며, 향후 연간 비즈니스 조사(ABS) 등에의 적용 가능성을 논의한다.

상세 분석

이 논문의 기술적 핵심은 기업 수준의 고유한 재식별 리스크를 해결하면서도 분석 유용성을 극대화하는 합성 마이크로데이터 생성 방법론에 있다. 인구통계 데이터와 달리 기업 데이터는 산업(NAICS 코드)과 지리적 정보(우편번호 등)의 조합만으로도 특정 기업을 쉽게 식별할 수 있어, 전통적인 비식별화 기법(데이터 삭제, 잡음 주입 등)으로는 충분한 프라이버시 보호와 유용성 확보가 상충하는 딜레마에 빠진다.

이를 해결하기 위해 저자들은 분류 및 회귀 트리(CART) 모델을 기반으로 한 생성 모델(CenSyn, synthpop)을 채택했다. 이 방법은 원본 제한접근 데이터의 복잡한 변수 간 관계와 분포를 결정 트리 계층 구조로 학습한 후, 해당 구조에서 새로운 레코드를 샘플링하여 합성 데이터세트를 생성한다. CART 기반 방법은 변분 오토인코더(VAE)나 생성적 적대 신경망(GAN) 같은 복잡한 딥러닝 모델에 비해 탁월한 성능을 보이며, 해석 가능성과 안정성 측면에서 통계청의 실무 요구사항에 부합한다.

논문이 강조하는 주요 통찰은 다음과 같다. 첫째, 합성 데이터의 품질 평가는 단순한 평균 비교를 넘어 ‘두 개의 무작위 원본 데이터 분할 세트가 서로에게 가지는 유사성’ 수준을 목표로 해야 한다는 점이다. 둘째, 2007년 SBO 데이터에 대한 합성 데이터로 선행 연구를 재현한 결과, 합성 데이터가 원본의 핵심 경제적 관계를 정확히 모방함을 입증하여 ‘실사성(verisimilitude)‘을 입증했다. 이는 합성 데이터가 실제 연구와 정책 분석에 유효한 도구가 될 수 있음을 시사한다. 마지막으로, 이 방법론은 미국 증거기반정책수립법(Evidence Act)과 CHIPS 및 과학법의 정신에 부합하며, 국가안전데이터서비스(National Secure Data Service) 같은 플랫폼을 통해 안전한 데이터 접근성 혁신의 초석이 될 수 있다.