2.1 데이터 증강 연구

데이터 증강(Data Augmentation)은 기계 학습 모델의 일반화 성능을 향상시키고, 특히 데이터가 부족하거나 불균형한 상황에서 과적합을 방지하는 핵심적인 정규화 기법으로 널리 인정받고 있다(Shorten and Khoshgoftaar, 2019; Rezvani et al., 2023; Chen et al., 2023). 연구 초기에는 이미지 분류 성능 향상을 위해 회전, 자르기와 같은 단순한 기하학적 변환 기법이 주로 활용되었으며(Krizhevsky et al., 2012), 이후 Mixup, CutMix, AutoAugment와 같은 보다 정교한 방법론들이 제안되었다. 최근에는 이미지 영역을 넘어 텍스트(Wei and Zou, 2019), 음성(Park et al., 2019), 시계열(Um et al., 2017) 등 다양한 데이터 유형으로 적용 범위가 확장되고 있다.

이러한 방법론 중, 두 개 이상의 데이터를 선형적으로 결합하여 가상의 학습 데이터를 생성하는 Mixup 기법이 제안되었다(Zhang et al., 2017). 이는 모델이 훈련 데이터 사이의 공간에서 더 선형적인 예측을 하도록 유도하여 일반화 성능과 손상된 라벨에 대한 강건성을 크게 향상시켰다. 이후, 이미지의 일부 영역을 다른 이미지의 일부로 대체하는 CutMix가 제안되었으며(Yun et al., 2019), 정보 손실을 최소화하면서도 강력한 정규화 효과를 달성하였다. 또한, 강화학습을 이용해 데이터셋에 최적화된 증강 정책을 자동으로 탐색하는 AutoAugment가 발표되었다(Cubuk et al., 2019). 이러한 연구들은 데이터 증강이 단순한 기법을 넘어, 모델의 학습 방식 자체에 근본적인 영향을 미칠 수 있음을 보여주었다.

특히 데이터 불균형 문제는 여러 산업 분야에서 공통적으로 직면하는 과제이며, 이를 해결하기 위한 데이터 증강 연구가 활발히 진행되어 왔다(Chen et al., 2024; Johnson and Khoshgoftaar, 2019; Stylianou et al., 2023). 불균형 데이터 학습 분야의 주요 과제와 연구 방향이 제시되면서(Krawczyk, 2016), 데이터 증강의 중요성이 더욱 강조되었다. 최근 연구들은 단순한 오버샘플링을 넘어 데이터의 근본적인 분포를 학습하여 소수 클래스의 다양성을 확보하는 생성 모델 기반 기법에 주목하고 있으며, 이는 고신뢰성 시스템의 희귀 고장 진단과 같은 문제에 효과적인 해결책을 제공한다(Chen et al., 2024; Rezvani et al., 2023).

2.2 CTGAN 활용 최신 연구

테이블 데이터(Tabular Data)는 산업 현장에서 가장 흔히 활용되는 데이터 형태이지만, 연속형과 범주형 변수가 혼재하고 복잡한 분포를 가져 증강이 어려운 영역으로 알려져 있다. 이러한 문제를 해결하기 위해 제안된 CTGAN(Conditional Tabular GAN)은 테이블 데이터 증강의 표준적 기법으로 자리 잡았으며, 다양한 분야에서 그 효과가 입증되고 있다(Xu et al., 2019).

금융 사기 탐지와 같이 극소수의 이상 사례를 다루는 분야에서는 CTGAN이 소수 클래스 증강에 활용되어 예측 성능 향상을 이끌었다. 또한, 사이버 보안 분야에서는 희귀 공격 패턴 데이터를 생성하여 침입 탐지 시스템의 강건성을 높이는 데 사용되고 있으며, 의료 데이터 분석에서는 개인정보 보호와 동시에 희귀 질환 환자 데이터를 보완하는 데 적용되고 있다(Xu et al., 2019; Zhao et al., 2021).

이러한 응용 사례들은 CTGAN이 고신뢰성 시스템이 공통적으로 직면하는 데이터 부족, 극심한 불균형 문제를 해결하는 강력한 도구임을 보여준다(Kim et al., 2025). 최근에는 CTAB-GAN 및 CTAB-GAN+와 같이 안정성과 성능을 개선한 후속 모델들이 제안되며, 실제 산업 시스템에서의 활용 가능성이 더욱 확대되고 있다(Zhao et al., 2021; Zhao et al., 2022). CTGAN은 불균형 데이터 학습에 있어 다양한 도메인에서 그 효과가 검증되었으며, 이러한 성과는 고신뢰성 시스템에서의 희귀 고장 데이터 증강에도 적용될 수 있다. 이에 따라 본 연구는 CTGAN을 핵심 생성 모델로 채택하여, 고신뢰성 시스템의 데이터 부족 문제를 해결하고자 한다.

3.1 데이터 전처리 및 잠재적 고장 정의

고신뢰성 시스템의 운용 데이터는 명시적 고장(failure) 사례가 극히 드물다는 한계를 가진다. 이를 극복하고 증강 대상이 될 소수 클래스 데이터를 확보하기 위해, 본 연구에서는 관리 규격을 기준으로 ‘잠재적 고장(potential fault)’을 정의하였다. 이는 명백한 고장 이전의 이상 징후를 포착하기 위한 품질 공학적 접근에서 착안하였다.

구체적으로, 각 측정 항목의 관리 상한(USL, Upper Specification Limit)과 하한(LSL, Lower Specification Limit)을 기준으로 양 끝단 10% 구간을 ‘주의 구역(warning zone)’으로 설정하였다. 해당 구역에 속하는 데이터 샘플을 ‘잠재적 고장’으로 라벨링함으로써, 실제 고장은 아니지만 불안정성을 내포한 소수 클래스 데이터셋을 구축하였다.

또한 시스템의 동적 열화 특성을 반영하기 위해, 생산 시점의 초기 품질 측정치(QIM_init)와 검사 시점 측정치(QIM_insp) 간의 변화율을 핵심 지표로 사용하였다. 이를 누적 운용일(d_oper)로 정규화 한 값, Delta(δ)를 식 (1)과 같이 정의하였다.

Delta(δ)는 시간 경과에 따른 평균 열화 속도를 의미하며, 이후 모든 증강 과정의 핵심 지표로 활용된다.

3.2 하이브리드 모델을 위한 사전 분석

단순히 생성 모델을 적용하는 수준을 넘어, 데이터의 내재적 물리 특성을 반영한 고품질 합성 데이터를 생성하기 위해 두 가지 핵심적인 사전 분석을 수행하였다. 이 과정에서 도출된 정보는 CTGAN 학습의 조건 변수로 활용되어, 생성 데이터의 현실성과 신뢰성을 높이는 역할을 한다.

첫째, 환경 민감도 분석을 수행하였다. 시스템의 열화 속도는 온도와 습도 등 외부 환경 변수에 의해 복합적이고 비선형적으로 영향을 받는다. 이를 정량적으로 모델링하기 위해, 본 연구에서는 테이블 데이터에서 높은 성능을 보이는 XGBoost(eXtreme Gradient Boosting) 회귀 모델을 활용하였다. 환경 변수 벡터 X_env를 입력으로 하고, 열화 속도 지표인 Delta(δ)를 목표 변수로 두어 모델 f_XGB 를 학습하였다. 학습된 모델을 통해 각 데이터 샘플의 환경 민감도 점수 S_env를 산출하였으며, 이는 특정 환경 조건에서 예상되는 열화 속도를 나타낸다. 이를 식(2)와 같이 정의하였다.

둘째, 프로토타입 기반 클러스터링을 적용하였다. 소수의 고장 데이터 내에서도 열화 패턴은 이질적일 수 있으며, 이를 반영하기 위해 잠재적 고장 데이터의 Delta(δ)값을 대상으로 K-평균(K-means) 군집화를 수행하였다. 알고리즘은 데이터를 K개의 군집 C = {C₁, C₂, ⋯,C_K}로 분할하고, 군집 내 분산의 합을 최소화하는 중심점 μk를 찾는다. 목표 함수는 식 (3)과 같이 정의하였다.

여기서 각 군집의 중심점 μk는 해당 군집을 대표하는 ‘프로토타입(Prototype)’으로 정의된다. 각 데이터 샘플은 자신이 속한 군집의 프로토타입 정보를 범주형 라벨(p_label)로 부여받는다. 고장 프로토타입의 최적 군집 수(K)를 결정하기 위해 K값을 2에서 10까지 변화시키며 체계적인 평가를 수행하였다. 본 연구에서는 군집 내 응집도와 군집 간 분리도를 종합적으로 고려하기 위해 엘보우 방법(Elbow Method)과 평균 실루엣 점수(Average Silhouette Score)를 병행 적용하였다. 분석 결과, 엘보우 방법에서는 K=3에서 군집 내 제곱합(WSS)의 감소율이 완만해지는 변곡점이 명확히 관찰되었으며, 추가적인 군집 수 증가에 따른 설명력 향상이 미미하였다. 또한 평균 실루엣 점수 역시 K=3에서 가장 높은 값을 기록하여, 군집 간 경계가 가장 명확하고 내적 응집도가 우수함을 확인하였다. 이와 같이 두 가지 독립적 검증 결과가 일치함에 따라, 본 연구에서는 K=3을 최적의 군집 수로 결정하고 세 개의 고장 프로토타입을 정의하였다.

위와 같이 도출된 환경 민감도 점수 S_env와 각 데이터가 속한 프로토타입의 범주형 라벨(p_label)은 이후 CTGAN 학습 시 조건 변수로 사용되어, 환경 요인과 다양한 고장 모드를 모두 고려한 데이터 생성을 가능하게 한다.

3.3 조건부 GAN 기반 데이터 생성

본 연구에서는 테이블 데이터 생성을 위해 조건부 생성적 적대 신경망(CTGAN, Conditional Tabular GAN)을 핵심 생성기로 채택하였다. CTGAN은 생성적 적대 신경망(GAN)의 기본 구조를 따르면서도, 연속형 변수의 다봉형(multi-modal)분포와 범주형 변수의 불균형 문제를 효과적으로 처리하도록 설계된 모델이다.

GAN은 생성자(Generator, G)와 판별자(Discriminator, D)가 경쟁하는 적대적 학습(Adversarial Training) 구조를 가진다. 생성자는 무작위 노이즈로부터 합성 데이터를 생성하고, 판별자는 이를 실제 데이터와 구분하도록 학습한다. 목적 함수는 식 (4)와 같은 최소–최대(minimax) 문제로 정의하였다.

여기서 x는 실제 데이터, z 는 노이즈 벡터, p_data는 실제 데이터의 분포, p_z 는 노이즈의 분포를 의미한다. 생성자 G 는 식(4)를 최소화하고, 판별자 D 는 이를 최대화하도록 학습한다.

본 연구에서는 CTGAN의 조건부 생성을 확장하기 위해 3.2절에서 도출한 환경 민감도 점수 S_env와 프로토타입 라벨 p_label을 조건부 벡터 c로 활용하였다. 따라서 생성자의 입력은 단순한 노이즈 벡터 z 가 아니라, 결합된 형태(z⊕c)로 정의된다. 판별자 역시 실제 데이터 x 또는 생성 데이터 G (z|c)와 조건부 벡터 c를 함께 입력받아 진위 여부를 판별한다.

이를 통해 생성자는 단순한 데이터 분포 모사에 그치지 않고, 특정 환경 조건과 특정 열화 패턴을 동시에 반영한 합성 고장 데이터를 생성할 수 있다. 이러한 구조는 무작위성을 줄이고, 도메인 지식 기반의 제약을 반영함으로써 높은 현실성과 신뢰도를 갖춘 데이터 생성을 가능하게 한다.

3.4 생성 데이터의 현실성 강화 후처리

GAN이 생성한 데이터는 통계적으로는 유사하더라도 물리적 제약을 벗어나거나 인위적인 패턴을 포함할 수 있다. 본 연구에서는 이러한 문제를 최소화하기 위해 네 가지 후처리 절차를 적용하였다. 첫째, 생성된 합성 데이터가 의도된 고장 모드를 대표하고 비현실적인 이상치 생성을 억제하도록, ‘ProtoMix’라는 프로토타입 기반 정규화 단계를 도입하였다. 본 기법은 데이터 증강 분야에서 널리 사용되는 Mixup 원리(Zhang et al., 2017)를 변형 및 확장한 방식으로, 생성된 데이터가 군집 중심으로부터 과도하게 벗어나는 것을 방지한다. 특정 고장 프로토타입 k에 속하도록 생성된 합성 데이터 포인트 x_gen에 대해, ProtoMix는 이를 3.2절의 K-평균 군집화 과정에서 식별된 해당 프로토타입의 중심점 μ_k과 선형 보간하여 조정한다. 이 과정은 식 (5)와 같이 표현된다.

여기서 λ는 보간 강도를 제어하는 혼합 계수로, 베타 분포에서 α = 0.2로부터 샘플링된다. 이 과정은 합성 샘플을 목표 고장 군집의 중심 경향성으로 효과적으로 유도하여, 학습된 클래스 구조를 강화하고 생성된 데이터가 원본 데이터 분포의 고밀도 영역 내에 존재하도록 보장한다.

우선, ProtoMix를 통해 합성 데이터가 원본 데이터의 군집 구조에서 벗어나지 않도록 조정함으로써 다양한 고장 패턴이 유지되도록 하였다. 이어서, 환경 민감도 점수 S_env에 비례하는 가우시안 노이즈를 부여하여 현실 세계의 변동성을 반영하였으며, 이 과정은 식 (6)과 같이 표현된다.

또한, 생성 데이터가 관리 규격(USL/LSL)을 과도하게 벗어나지 않도록 Soft Capping을 적용하여 비현실적인 극단값을 억제하였다. 마지막으로, CDF 매칭(CDF Matching)을 통해 합성 데이터의 분포를 원본 데이터와 정렬시켜 주요 통계적 특성이 보존되도록 하였다.

4.1 실험 환경

본 연구에서 사용된 데이터는 방위산업체의 유도무기 품질검사 및 환경시험 과정에서 수집된 시계열성 테이블 데이터로, 각 데이터 포인트는 온도·습도 등 환경 변수와 다수의 검사 항목을 포함하며 실제 운용 환경을 반영한다. 데이터는 제3.1절의 정의에 따라 정상(Normal)과 고장(Fault)의 두 클래스로 라벨링되었다. 제안된 하이브리드 GAN(Hybrid GAN)의 성능을 객관적으로 평가하기 위해, 데이터 증강을 적용하지 않은 Baseline, 전통적인 오버샘플링 기법인 SMOTE (Chawla et al., 2002), 그리고 본 연구의 전·후처리 과정을 제외한 표준 CTGAN 모델인 Basic GAN을 비교 모델로 설정하였다. 모든 시나리오에서 증강된 데이터는 공정한 비교를 위해 동일한 LightGBM 분류 모델을 훈련시키는 데 사용되었다. 모델의 성능은 클래스 불균형 문제의 특성을 고려하여(He and Garcia, 2009) F1-Score를 핵심 지표로 사용하였으며, 추가적으로 정밀도(Precision), 재현율(Recall), 특이도(Specificity), ROC-AUC, PR-AUC를 함께 측정하여 오경보(False Positive)와 미탐(False Negative)을 종합적으로 분석하였다.

4.2 합성 데이터 품질 평가

데이터 증강의 효과는 생성된 합성 데이터의 품질에 크게 좌우된다. 따라서 제안된 하이브리드 GAN이 생성한 데이터의 품질을 세 가지 관점에서 정량적으로 평가하였다.

4.2.1 통계적 충실도 (Statistical Fidelity)

생성된 데이터가 원본 데이터의 통계적 특성을 얼마나 충실히 보존하는지를 평가하였다. 단변량 분포 유사성을 확인하기 위해 콜모고로프-스미르노프(Kolmogorov-Smirnov) 검정을 수행한 결과, 전체 변수에 대한 평균 p-value는 0.5534로 유의수준 0.05를 크게 상회하여 합성 데이터가 원본 데이터의 개별 변수 분포를 유사하게 모사함을 통계적으로 확인하였다. 또한 고차원 구조 유사성을 평가하기 위해 t-SNE 시각화를 수행하였으며, Figure2는 원본 고장 데이터와 합성 데이터가 특정 군집에 치우치지 않고 전반적으로 고르게 분포함을 보여준다. 이는 합성 데이터가 원본 데이터의 복잡한 고차원 구조적 특성을 충실히 반영하고 있음을 나타낸다.

Figure 2

t-SNE Visualization of Original and Synthetic Fault Data

4.3 극한 불균형 환경에서의 강건성 검증

4.3.1. 극한 스트레스 테스트

본 연구에서는 제안된 방법론의 성능을 검증하기 위해, 실제 고신뢰성 시스템에서 발생할 수 있는 극단적인 데이터 불균형 상황을 모사한 극한 스트레스 테스트를 수행하였다. 제안하는 모델이 통계적으로 유의미한 소규모 고장이 거의 존재하지 않는 고신뢰성 시스템 조건에서도 성능을 유지할 수 있는지를 실증적으로 검증하고자 하였다.

전체 원본 데이터셋은 계층화 70%, 30% 분할을 적용하여 훈련, 테스트 집합으로 구분하였다. 공정한 성능 검증을 위해 테스트 집합(30%)은 증강을 적용하지 않은 원본 상태로 보존하고, 모든 모델은 동일한 테스트 집합에서 평가하였다. 이후 훈련 집합에 대해 의도적 불균형을 부여하여 극한 스트레스 테스트 시나리오를 구성하였다. 정상(normal)으로 라벨링 된 표본은 모두 유지하고, 고장(fault)으로 라벨링 된 표본은 15건으로 제한하여 약 2500:1의 불균형 비율을 구현하였다. 이 구성은 이후 비교 실험 전반에 동일하게 적용되었다.

비교 대상 모델인 SMOTE, Basic GAN, 그리고 본 연구에서 제안하는 모델인 Hybrid GAN은 모두 상기 극한 훈련 데이터를 입력으로 소규모 고장 보완을 위한 증강을 진행하였고, 테스트 집합에는 합성 표본을 포함하지 않았다. 모든 모델은 동일한 테스트 집합에서 성능 평가 진행하였으며, 최종 성능 평가 결과는 Table 1과 같다.

Table 1

Comparative performance under extreme stress test conditions

4.3.2. 프레임워크 구성요소의 단계적 효과 검증

제안된 하이브리드 데이터 증강 프레임워크의 각 구성요소가 최종 성능에 미치는 영향을 정량적으로 분석하기 위해, 단계별 효과 검증을 수행하였다. 본 분석은 사전 분석과 후처리 단계가 전체 모델의 성능 향상에 기여하는 정도를 평가하는 것을 목적으로 한다. 실험은 세 가지 모델 구성을 대상으로 수행되었다. (1) 전·후처리 단계를 포함하지 않은 표준 CTGAN 기반의 기본 모델(Basic GAN), (2) 환경 민감도 분석 및 프로토타입 정보 등 사전 분석 결과를 조건 변수로 입력한 모델(Pre-analysis only), (3) 사전 분석과 후처리 단계를 모두 적용한 제안된 최종 모델(Hybrid GAN)이다. 모든 모델은 동일한 데이터셋과 분류기(LightGBM)를 사용하여 동일한 조건에서 학습 및 평가를 수행하였으며, 결과는 Table 2과 같다.

Table 2

Ablation Study on Hybrid GAN Components

Table 2는 제안된 프레임워크의 단계별 기여도를 보여준다. 기본 GAN 모델에 환경 민감도 및 프로토타입 기반 조건 변수를 추가한 결과, 정밀도(Precision)가 0.932에서 0.947로 향상되었고, 오경보(False Positive)는 511건에서 385건으로 감소하였다. 이를 통해 사전 분석 단계를 통해 GAN이 보다 명확한 분포 구조를 학습하고, 실제 고장 클래스의 중심 특성을 더 잘 반영하도록 유도했음을 알 수 있다. 또한, ProtoMix 기반 정규화 및 가우시안 노이즈 주입 등 다단계 후처리 절차를 추가한 최종 Hybrid GAN 모델은 정밀도를 0.964까지 끌어올리고 오경보를 253건으로 감소시켰다. 이러한 결과는 후처리 과정이 생성 데이터의 분포를 안정화하고 현실성을 강화시켜, 최종적으로 분류기의 신뢰도 향상에 유의미한 기여를 했음을 시사한다.

4.4 결과 분석

본 연구의 실험 결과는 제안된 하이브리드 GAN 모델이 극한의 데이터 불균형 환경에서 기존 방법론과 비교하여 안정적이고 우수한 성능을 보였음을 보여준다. Baseline 모델은 소수의 고장 데이터를 충분히 학습하지 못해 재현율(Recall)이 0.718에 그쳤으며, 이는 약 28%의 고장 사례(FN=2227)를 탐지하지 못한 결과이다. SMOTE는 재현율을 0.853까지 개선했으나, 정밀도(Precision)가 0.904로 낮아지고 오경보(False Positives, FP)가 7,713건으로 크게 증가하여 실용성이 제한적임을 확인하였다. 이는 SMOTE가 생성한 합성 데이터가 결정 경계를 불명확하게 만들어 오경보 발생을 유발했음을 시사한다. Basic GAN은 F1-Score(0.909)와 재현율(0.887)에서 상대적으로 높은 성능을 보였으나, 동시에 511건의 오경보가 발생하여 안정성 측면에서 한계를 드러냈다.

이에 비해 제안된 Hybrid GAN 모델은 Basic GAN과 동일한 정확도(0.942)를 유지하면서도 정밀도(0.964)와 특이도(0.984)를 가장 높게 달성하였다. 특히 오경보 건수가 253건으로, Basic GAN(511건) 대비 절반 수준으로 감소했으며, SMOTE(7,713건)에 비해 현저히 낮은 수치를 기록하였다. 이는 제안된 모델이 고장을 효과적으로 탐지하면서도 정상 데이터를 고장으로 오인하는 비율을 최소화하여, 실제 운용 환경에서 요구되는 신뢰성과 효율성을 동시에 충족시킬 수 있음을 의미한다.

이러한 결과는 고신뢰성 산업 현장에서 실질적인 의미를 가진다. 오경보(False Positive) 하나는 생산 라인의 불필요한 중단, 고비용의 수동 점검, 그리고 예측 시스템에 대한 신뢰도 저하로 이어질 수 있다. 지속적으로 잘못된 경보를 발생시키는 시스템은 결국 무시되거나 비활성화될 가능성이 높으며, 이는 예측 정비 시스템 도입의 근본적 실패를 초래할 수 있다. 이러한 맥락에서 제안된 Hybrid GAN의 FP 감소 효과는 단순한 수치상의 개선을 넘어, 예측 시스템의 운용 신뢰도를 확보하는 데 실질적인 기여를 한다고 볼 수 있다.

Figure 3의 Precision-Recall(PR) 곡선 역시 이를 뒷받침한다. Hybrid GAN의 곡선은 다른 모델들과 비교하여 전반적으로 우측 상단에 위치하며, 높은 재현율 구간에서도 상대적으로 높은 정밀도를 유지하였다. 이는 본 연구에서 제안한 환경 민감도 분석, 프로토타입 기반 군집화, 다단계 후처리 과정이 단순한 GAN 기반 접근을 넘어 합성 데이터의 품질 향상과 분류 성능 개선에 기여했음을 확인할 수 있다.

Figure 3

Comparison of Precision-Recall Curves for Each Model

이러한 결과를 통해 3장에서 제안한 환경 민감도 분석, 프로토타입 정의, 그리고 다단계 후처리 과정이 GAN의 성능을 넘어, 데이터의 질을 근본적으로 향상시키는 데 기여했음을 보여준다.