LLM 기반 비식별화 및 동적 정책 학습 연구(2)

LLM 기반 비식별화 및 동적 정책 학습 연구(2)


연구 계획서(Research Proposal)
'제2장 관련 연구(Related Work)'


최신 연구 트렌드인 **'하이브리드 탐지'**와 **'자가 학습형 비식별화'**를 중심으로 구성했습니다.

2. 관련 연구 (Related Work)

2.1. 규칙 기반 및 전통적 NER 연구의 한계

초기 데이터 비식별화 연구는 정규표현식(Regex)이나 사전(Dictionary) 기반의 결정론적 방식에 의존하였다. 이후 Spacy나 Microsoft Presidio와 같은 Named Entity Recognition(NER) 모델이 도입되었으나, 이러한 방식은 도메인 특화 용어나 문맥에 따라 의미가 변하는 잠재적 식별자(Quasi-identifier)를 탐지하는 데 한계가 있다. 특히 정적인 정책(Static Policy)은 급변하는 데이터 환경에서 새로운 민감 정보 패턴이 등장할 때마다 수동으로 규칙을 업데이트해야 하는 운영상의 비효율성을 초래한다.


2.2. LLM 기반 하이브리드 비식별화 프레임워크

최근 Large Language Model(LLM)의 비약적인 발전은 비식별화 기술의 패러다임을 전환하고 있다. RECAP(2025) 연구에 따르면, 전통적인 NER의 안정성과 LLM의 고도화된 추론 능력을 결합한 하이브리드 파이프라인은 저자원 언어 및 복잡한 비정형 데이터에서 기존 모델 대비 약 82% 향상된 F1-Score를 기록하였다. 이는 LLM이 단순한 패턴 매칭을 넘어 문장의 맥락을 파악함으로써 오탐(False Positive)을 정교하게 필터링할 수 있음을 시사한다.


2.3. 자가 학습 및 적응형 정책 보강 (Self-Learning & Adaptive Policy)

최신 연구인 **SFAA(2026)**와 **RedactOR(2025)**는 비식별화 시스템이 스스로 정책을 보강하는 '적응형 프레임워크'에 주목하고 있다. **SFAA(Structured Framework for Adaptive Anonymizer)**는 로컬 sLLM 환경에서 비식별화 결과물을 스스로 평가(Self-Evaluation)하고, 누락된 민감 정보를 식별하여 정책 저장소(Policy Store)를 실시간으로 업데이트하는 메커니즘을 제안하였다.

또한, TT-SI(Test-Time Self-Improvement, 2025) 알고리즘 연구는 추론 시점에 모델이 스스로 학습 데이터를 생성하여 성능을 최적화하는 기술적 토대를 마련하였다.

이러한 동향은 비식별화 시스템이 고정된 규칙에 머물지 않고, 데이터의 흐름에 따라 지능적으로 진화할 수 있음을 뒷받침한다.


2.4. 소형 언어 모델(sLLM) 기반의 프라이버시 보호

데이터 유출 방지를 위해 클라우드 기반 API 대신 vLLM이나 Ollama와 같은 로컬 sLLM을 활용하는 연구가 활발히 진행 중이다. Phi-series(2026) 등을 활용한 온프레미스(On-premise) 비식별화 연구들은 데이터의 외부 유출을 원천 차단하면서도, 양자화(Quantization) 기술을 통해 리소스 제한적인 환경에서도 충분한 처리 성능을 확보할 수 있음을 증명하였다. 본 연구는 이러한 선행 연구들을 확장하여, 비식별화-질의-복원(Anonymize-Query-Restore)으로 이어지는 전 과정을 자동화하고 정책을 지속 학습하는 통합 아키텍처를 제안하고자 한다.


연구의 차별성 (Summary of Research Gap)
기존 연구들이 '탐지 성능' 자체에 집중했다면, 본 연구는 **"질의 응답 시 데이터의 일관성 유지(Inference Consistency)"**와 **"비식별화 정책의 자동 고도화(Autonomous Policy Refinement)"**를 동시에 달성하는 실전적 파이프라인 구축에 차별점을 둔다.





* 방법론(Methodology) 섹션 작성: sLLM(Ollama/vLLM)을 활용한 구체적인 시스템 아키텍처 설계를 작성

* 구현 코드 스켈레톤: Python으로 자가 학습 루프가 포함된 비식별화 클래스 초안

* 서지 사항(References) 리스트 작성: 위에 언급된 논문들의 가상/실제 형식 리스트를 정리