도깨비방

260921-LLM기반 비식별화에 대한 연구

LLM의 발전과 함께 프롬프트, 인프라 memory, 외부 API 연동 레이어로 유입되는 데이터의 유출 위험이 커짐에 따라, "LLM 연계 시스템의 비식별화 및 익명성 보장"을 주제로 한 연구 과제 추진은 매우 시의적절합니다.제시해주신 문제의식(무의식적 개인/금융정보 입력, 쇼핑/금융 연계 시 노출 위험, LLM 메모리 기억으로 인한 익명성 파괴)을 바탕으로, 연구의 실무적 유용성과 학술적 독창성을 동시에 확보할 수 있는 4가지 핵심 연구 주제(Sub-topics)를 제안드립니다.1. [핵심 연구 주제 1] LLM 인-프롬프트(In-Prompt) 가명화 시 업무 유용성(Utility) 보존 및 과마스킹(Over-masking) 방지 방안연구 배경 및 문제의식:LLM에 전달되는 텍스트 내 개인 식별 정보(..

260919.PRISMA 연구 절차

PRISMA(Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 가이드라인에 따른 **체계적 문헌고찰 및 분석의 전체 진행 단계**를 아래와 같이 5단계로 구성하여 제안합니다.---### 📋 PRISMA 연구 분석 단계별 진행 절차 (안)1. **1단계: 데이터 식별 및 통합 검토 (Identification)** * **주요 내용:** 수집된 전체 데이터셋(KCI 국문 DB 3,412건, EnglishDB 영문 2,711건, 총 6,123건)의 데이터 출처별 구성 및 기초 통계를 확정합니다 [1, 2].2. **2단계: 문헌 선별 및 중복 제거 (Screening)** * **주요 내용:** DOI 완전 일치 및 제목 정규화..

260919- 프리즈마 비식별 연구-주제 모색

프리즈마 비식별 연구 필요성 2026.9.191. 주제.방향 모색 데이터셋(`PRISMA_merged_deduplicated`)에는 2014년부터 2026년까지 수집된 국문(KCI) 및 영문(EnglishDB) 논문의 초록과 키워드가 통합되어 있습니다. 요청하신 **'가명화의 발전 동향'** 및 **'인공지능 학습·산업 데이터의 비식별·가명화 동향'**에 대한 분석과 함께, 데이터셋에서 도출할 수 있는 **추가적인 주요 PRISMA 연구 주제**들을 체계적으로 정리해 드립니다.---### 1. 기본 요청 주제 분석 방향1. 개인정보 활용에서 가명화의 발전 동향: * 전통적인 식별자 제거 및 마스킹 방식에서 출발하여, 데이터 유용성을 유지하면서 재식별 위험을 정량적으로 평가·제어하는 **Copu..

20260903- SFT vs DPO 자가진화 루프의 핵심 차이점DPO, 다층 RAG, LoRA SFT의 삼각 공조 체계는 AI 환각을 차단하고 소형 실동 모델의 성능 한계를 극복하는 가장 진보된 자가개선 설계입니다.1. LLM 진화 모델의 핵심 기술다층 RAG 컨텍스트 주입(Short-Term Loop)LoRA SFT(Supervised Fine-Tuning) 지도 학습(Long-Term Loop)DPO(Direct Preference Optimization, 직접 선호도 최적화) 기술DPO, 다층 RAG, LoRA SFT의 삼각 공조 체계는 AI 환각을 차단하고 소형 실동 모델의 성능 한계를 극복하는 가장 진보된 자가개선 설계입니다.다층 RAG 컨텍스트 주입 (Short-Term Loop - 단기 루..

대규모 언어 모델(LLM)의 구조적인 3대 한계점은 현재 설계 및 구현된 A-B-Harness-C 자가진화 멀티에이전트 아키텍처를 통해 완벽히 해결 및 통제가 가능합니다. 각 문제별 구체적인 기술적 대응 방안과 명세서 상의 실질적인 구현 기전은 다음과 같습니다.대규모 언어 모델의 3대 한계 극복환각 방지 대책 (Hallucination Prevention)반복 작업 시 출력 비일관성 문제 제어 (Non-Determinism Control)Base 모델 크기 및 하드웨어(메모리/용량)의 한계 보완1. 환각 방지 대책 (Hallucination Prevention)확률적으로 다음 토큰을 예측하는 LLM의 특성상 발생하는 정보의 왜곡, 날조(Hallucination) 현상은 결정론적 가드레일(Harness)과..

연구 260903 - Dataflywheel 모델 학습- LoRA (Low-Rank Adaptation) + DPO(Direct Preference Optimization)Data Flywheel 시스템의 핵심은 사용자 피드백, RAG 검색 로그, LLM-as-a-Judge 채점 결과를 LLM의 지능 개선(Self-RAG SFT)과 성향 교정(DPO Alignment)에 즉시 활용할 수 있는 표준 데이터 규격으로 자동 정제하는 것입니다.LLM의 효율적인 경량화 학습 기법인 LoRA(Low-Rank Adaptation)와 인간 선호도 정렬 기법인 DPO(Direct Preference Optimization)에 대한 기술적 개념, 상세 프로세스 및 아키텍처입니다.1. LoRA (Low-Rank Adapta..

** 연구260903 - Data Flywheel 시스템 - 실패/성공 사례 데이터설계 - Self-RAG 및 DPO Preference Dataset(JSONL) **Data Flywheel 시스템의 핵심은 사용자 피드백, RAG 검색 로그, LLM-as-a-Judge 채점 결과를 LLM의 지능 개선(Self-RAG SFT)과 성향 교정(DPO Alignment)에 즉시 활용할 수 있는 표준 데이터 규격으로 자동 정제하는 것입니다.아래는 수집된 성공/실패 로그를 Self-RAG 특수 토큰 포맷 및 DPO Preference Dataset(JSONL) 규격으로 변환하는 아키텍처, 데이터 규격, 그리고 변환 파이프라인 코드 예시입니다.1. Data Flywheel 원천 데이터 (Raw Log) 규격플라이휠..

* 연구260903 - Data Flywheel 기반 지식 증강 및 오류 방지 설계 방안 : RAG-Lora "데이터 플라이휠(Data Flywheel) 기반의 지식 증강 및 오류 방지 RAG/파인튜닝 아키텍처" 를 다루는 연구 입니다.이를 바탕으로 기존 RAG 시스템이 지닌 고질적인 한계점(환각, 검색 실패, 도메인 불일치 등)을 극복하기 위해, 실패/성공 사례 기반의 선순환 데이터 플라이휠 구조를 설계하고 LLM/RAG 통합 성능 개선 방안을 정리하여 제시합니다.1. 최신 연구 기반 RAG 아키텍처 개선점 정리최근 AI 학계 및 산업계(OpenAI, NVIDIA NeMo, arXiv 최신 연구 등)에서는 RAG 시스템의 오류를 줄이고 지식을 자동 증강하기 위해 MAPE(Monitor-Analyze-P..

2026.09.02 (setup_project-v17.py)비식별 처리 대상 원문 텍스트 (금융 거래 및 상담문)홍길동 고객님이 연락처 010-1234-5678을 통해 마이너스 통장 연장 신청을 문의하였습니다. 등록된 계좌번호는 신한은행 110-123-456789 입니다. 생년 230425-2342111 [Agent A (시나리오 준비)] ➔ [Agent B (비식별화 추론)] ➔ [Harness (가드레일 검증)] ➔ [Agent C (품질 감리)] ➔ [Assetize (실시간 지식 보존)] 100% 자율 수용 완료[원문]홍길동 고객님이 연락처 010-1234-5678을 통해 마이너스 통장 연장 신청을 문의하였습니다. 등록된 계좌번호는 신한은행 110-123-456789 입니다. 생년 23042..

자가진화 비식별화 시스템에서 **모델 붕괴(Model Collapse)자가진화 비식별화 시스템에서 **모델 붕괴(Model Collapse)**는 저품질 데이터나 잘못된 피드백이 학습 루프에 유입되어 모델의 성능이 점진적으로 타락하는 현상을 의미합니다 [1]. 이를 방지하기 위해 본 시스템은 **엄격한 품질 게이트, 통계적 모니터링, 다층 지식 관리**라는 세 가지 핵심 방안을 통해 해결합니다 [1-3].### 1. 엄격한 품질 게이트 (이중 승격 게이트)가장 강력한 방지책은 검증되지 않은 데이터를 학습 자산(Golden Case)으로 승격시키지 않는 **이중 승격 게이트(Double Pass Gate)** 전략입니다 [3, 4].* **승격 조건 (Score >= 9.0 & Harness PASS)..