교육 데이터 프라이버시 보호를 위한 순환 적응형 합성 프레임워크 CAPS

초록

CAPS는 차세대 교육 현장에서 매 사이클마다 발생하는 소규모 고차원 실데이터를 차별적으로 사전학습된 VAE와 조건부 생성 모델에 적용해 차등 개인정보 보호(DP)를 보장하며 합성 데이터를 반복적으로 공유한다. 기존 일회성 방식보다 모델 성능이 향상되지만, 사이클이 누적될수록 편향이 증가하는 ‘컴파운딩 바이어스 효과’가 나타난다.

상세 분석

본 논문은 교육 현장의 실시간 데이터 공유가 프라이버시 문제로 제한되는 현실을 인식하고, 차등 개인정보 보호(DP)를 기반으로 한 합성 데이터 생성 방법을 순환적으로 적용하는 CAPS 프레임워크를 제안한다. 핵심 아이디어는 대규모 공개 데이터로 사전학습된 무조건적 VAE(M1)를 기반으로, 각 사이클마다 새로운 라벨 공간을 가진 소규모 학습 데이터(D_t)를 반영해 조건부 생성 모델(M2)을 DP‑보장 하에 반지도학습(SPSSL)으로 학습한다. 이후 M1을 최신 사이클에서 생성된 합성 피처(X′_t)로 지속학습(continual learning)함으로써 ‘catastrophic forgetting’을 방지하고, 다음 사이클의 사전 지식을 강화한다. 이 과정은 DP의 포스트프로세싱 성질을 활용해 합성 데이터 혹은 모델 자체를 외부 연구자에게 안전하게 제공한다.

기술적 기여는 크게 두 부분으로 나뉜다. 첫째, 고차원·소규모 데이터에 적합한 VAE 기반 구조와 공개‑비공개 데이터 구분을 명확히 정의함으로써 프라이버시 예산 소모를 최소화한다. 둘째, 사이클마다 M1을 업데이트하는 지속학습 메커니즘을 도입해, 기존 일회성 합성 방식이 겪는 데이터 스칼라 부족 문제를 완화한다.

실증 연구에서는 일본 중학교 7학년 수학 수업에서 3년간 수집된 학습 습관 로그를 활용했다. 각 연도마다 시험 형태가 바뀌어 라벨 공간(Y_t)이 달라졌지만, 피처 공간(X)은 동일하게 유지되었다. CAPS는 첫 사이클 대비 두 번째, 세 번째 사이클에서 분류 정확도와 재구성 손실이 점진적으로 개선되는 것을 확인했으며, 이는 M1이 점진적으로 더 풍부한 특성 표현을 학습했음을 의미한다. 그러나 평가 지표가 약간 감소하는 현상이 관찰되었으며, 이를 ‘컴파운딩 바이어스 효과’라 명명해 향후 편향 누적을 방지할 메커니즘이 필요함을 강조한다.

논문은 또한 기존 교육 데이터에 대한 DP 기반 합성 연구가 대부분 대규모 공개 데이터에 국한돼 있었던 점을 비판하고, 작은 샘플·고차원 상황에서의 실용성을 검증한다. 한계점으로는 프라이버시 예산 할당 전략, 합성 데이터의 실제 교육 현장 적용 가능성, 그리고 지속학습 과정에서 발생할 수 있는 모델 드리프트 등을 들며, 향후 연구 방향을 제시한다. 전체적으로 CAPS는 교육 데이터 공유의 지속가능성을 높이고, 디자인 기반 연구(DBR)와 같은 반복적 교육 혁신 프로세스에 데이터 기반 인사이트를 제공할 수 있는 실용적 프레임워크로 평가된다.