양자‑클래식 하이브리드 GAN으로 탭ular 데이터 합성 혁신

초록

QTabGAN은 변분 양자 회로(VQC)를 생성기의 핵심으로 사용하고, 이를 클래식 신경망 매퍼와 결합한 하이브리드 GAN 구조이다. 2ⁿ 차원의 확률 분포를 양자 회로에서 추출한 뒤, 클래식 매퍼가 이를 실제 탭ular 특성으로 변환한다. 실험 결과, 여러 분류·회귀 데이터셋에서 기존 최첨단 모델 대비 최대 54.07%의 성능 향상을 기록하며, 데이터가 부족하거나 프라이버시 제약이 있는 상황에서도 유용함을 입증한다.

상세 분석

본 논문은 탭ular 데이터 합성이라는 난제에 양자 컴퓨팅의 고유한 표현력을 도입함으로써 기존 GAN 기반 접근법의 한계를 극복하고자 한다. 핵심 아이디어는 n‑qubit 변분 양자 회로(VQC)를 이용해 2ⁿ 차원의 확률 벡터를 생성하고, 이를 클래식 피드포워드 신경망(클래식 매퍼)으로 매핑해 실제 데이터 형식으로 변환하는 것이다. VQC는 L개의 레이어로 구성되며, 각 레이어는 Hadamard 초기화 → 파라미터화된 RY, RZ 회전 → 순환형 CNOT 얽힘 순서로 이루어진다. 순환형 얽힘은 최소한의 CNOT으로 전 qubit 간 전역 얽힘을 확보해 NISQ 디바이스의 게이트 오류와 코히런스 제한을 완화한다. 양자 샘플러는 VQC 상태를 다수(N > 2ⁿ) 측정해 경험적 비트스트링 확률분포를 얻으며, 이 확률벡터를 클래식 매퍼에 입력한다. 매퍼는 연속형·이산형 특성을 동시에 다룰 수 있도록 설계된 다층 퍼셉트론으로, 확률값을 스케일링·디코딩해 최종 탭ular 샘플을 만든다. 판별자는 전통적인 CNN/MLP 구조를 차용해 실제와 합성 데이터를 구분한다. 학습은 표준 GAN의 최소극대(min‑max) 목표를 사용하되, 양자 파라미터는 클래식 옵티마이저(예: Adam)와 파라미터-시프트 기법을 통해 업데이트한다. 실험에서는 6개 이상의 공개 데이터셋(분류·회귀 혼합)을 대상으로 통계적 유사도(KL·JS), 머신러닝 다운스트림 성능(F1·AUROC·RMSE) 등을 평가했으며, QTabGAN이 CTGAN, TableGAN, CTAB‑GAN+ 등 기존 모델 대비 평균 30% 이상, 최고 54.07%의 개선을 보였다. 특히 데이터 샘플 수가 1 % 수준으로 제한된 경우에도 양자 생성기의 고차원 확률 표현이 과적합을 방지하고 일반화 성능을 유지한다는 점이 주목할 만하다. 논문은 또한 양자 회로 깊이와 레이어 수가 합성 품질에 미치는 영향을 분석해, 적절한 깊이(L ≈ 4~6)와 얽힘 구조가 성능‑복잡도 트레이드오프를 최적화함을 확인한다. 한계점으로는 현재 시뮬레이터 기반 실험에 머물러 실제 양자 하드웨어에서의 노이즈 영향 평가가 부족하고, 고차원(>10 qubit) 회로는 시뮬레이션 비용이 급증한다는 점을 들었다. 향후 연구에서는 오류 보정 기법과 하이브리드 파라미터 최적화 전략을 도입해 실기기 적용성을 높이고, 프라이버시‑보호 메커니즘(예: 차등 프라이버시)과 결합한 양자‑프라이버시 GAN을 탐색할 계획이다.