합성 테이블형 데이터(synthetic tabular data)는 개별 열(column)의 분포뿐만 아니라 열들 사이의 복잡한 종속성(inter-column dependency)을 보존하는 것이 핵심 가치입니다. 이러한 종속성은 사기 탐지, 임상 위험 예측과 같이 불균형한 데이터셋에서 소수 클래스(minority class)를 식별하는 데 결정적인 역할을 합니다. 그러나 최근 발표된 연구에 따르면, 현재 널리 사용되는 합성 테이블형 데이터 평가 지표들이 이러한 열 간의 종속성을 제대로 측정하지 못하고 있으며, 심지어 모든 종속성을 제거한 모델조차 실제 데이터와 구별하기 어렵다고 판단하는 오류를 범하고 있는 것으로 나타났습니다.
연구진은 기존 평가 지표인 로지스틱 회귀 C2ST(logistic-regression C2ST)나 쌍별 트렌드 점수(pairwise Trend score)가 종속성 누락에 둔감하다는 점을 지적하며, 이를 해결하기 위해 새로운 '종속성 인식 충실도 진단(dependency-aware fidelity diagnostic)' 방법을 제안했습니다. 이 진단법은 강력한 분류기 2표본 테스트(XGB-C2ST)를 주변 분포(marginal), 종속성(dependency), 그리고 수치-범주형 교차(numerical-categorical cross) 구성 요소로 분해합니다. 이를 통해 최악의 경우(모든 종속성이 파괴된 상태)와 최상의 경우(실제 데이터) 사이에서 모델의 종속성 포착 능력을 정량적으로 평가할 수 있습니다. 최신 흐름 매칭 생성기(flow-matching generator)인 TabbyFlow/EF-VFM에 이 진단법을 적용한 결과, 기존 지표들이 놓쳤던 실제 종속성 격차(dependency gap)가 발견되었으며, 이 격차가 소수 클래스 유틸리티(utility)를 현저히 떨어뜨리는 것으로 확인되었습니다.
이 연구는 합성 데이터 생성 모델의 신뢰성과 실제 적용 가능성에 중요한 시사점을 던집니다. 모델 용량을 16배 늘려도 종속성 격차가 줄어들지 않았다는 점은 단순히 모델의 크기나 구조적 한계가 아닌, 종속성에 대한 직접적인 감독(direct dependency supervision)의 부재가 문제의 핵심임을 시사합니다. 이는 모델 내 종속성 메커니즘, 사후 코풀라(copula) 보정 등 기존에 효과적이라고 여겨졌던 해결책들이 실제로는 큰 도움이 되지 않을 수 있음을 경고합니다. 따라서 향후 합성 테이블형 데이터 생성 모델 연구는 열 간의 복잡한 종속성을 더 정확하게 학습하고 평가하는 방향으로 나아가야 할 것입니다.