도깨비방

ㅁ 생성AI 알고리즘과 프라이버시 보호를 연구집 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010년대 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010~2014 생성AI 알고리즘과 프라이버시 보호를 연구 - 2015~2017년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2018~2020년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2021~2023년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2024~2025년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010~2025 생성AI 알고리즘과 프라이버시 보호를 연구 - 2020~2025 최신/보충 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010~2014연도별 주요 연구 동향 요약2010년대 초반: Differe..

ㅁ 생성AI 알고리즘과 프라이버시 보호를 연구집 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010년대 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010~2014 생성AI 알고리즘과 프라이버시 보호를 연구 - 2015~2017년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2018~2020년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2021~2023년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2024~2025년 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010~2025 생성AI 알고리즘과 프라이버시 보호를 연구 - 2020~2025 최신/보충 생성AI 알고리즘과 프라이버시 보호를 연구 - 2010년대 연도별 주요 연구 동향 요약2010년대 초반: Differen..

생성형 모델 영역에서의 프라이버시, 품질, 유용성·공정성 등 다차원 평가지표의 최근 연구 경향은 다음과 같이 요약됩니다.1. 프라이버시 품질 - 다차원 평가지표의 주요 연구경향■ 프라이버시(Privacy)연구 트렌드:차등프라이버시(DP) 적용의 엄격성(ε 값), k-익명성, l-다양성 등 공식적 재식별 위험 측정 지표가 지속적으로 고도화.모의 공격(링크·연결공격, membership inference attack 등)을 통한 프라이버시 실험적 검증 연구 강화.제약이 엄격할수록 데이터 유용성 감소, ‘프라이버시-유용성 트레이드오프’ 균형점 제시가 중요한 연구 과제.themoonlight+1의료·금융 등 고위험 영역에서는 실제 공격 사례와 법적 컴플라이언스 반영 지표(예: HIPAA, GDPR 등)가 중시됨..

생성모델의 평가 - 보안성 유용성 성능품질 등을 중심으로아래는 각 평가 항목별 세부 지표의 구체적 산출법과 주요 도메인별(의료, 금융, 공공) 적용 방안에 대한 안내입니다.1. 평가 항목별 세부 지표 및 산출법■ 보안성차등프라이버시(ε 값)산출법: 생성모델 학습 혹은 합성 데이터 처리 시, 차등프라이버시 메커니즘(예: DP-SGD, Laplace/Gaussian Noise)을 적용하고, 해당 정책에서 파생되는 ε(엡실론) 값을 수치로 기록(작을수록 안전).“DP 적용 유무”는 binary(Yes/No), ε는 실수값(일반적으로 1 미만이 매우 엄격).재식별 위험산출법: k-익명성(동일 조합 값의 레코드 수 ≥ k), l-다양성(동일 그룹 내 비밀 속성 값 다양성 l 이상) 등 수식/집계로 판단. 가상 공..

문헌연구 - 개량 서지학과 내러티브 종합법 📖 내러티브 종합법(Narrative Review)의 개념내러티브 종합법은 특정 주제에 대해 기존 문헌을 정성적으로 요약하고 해석하는 방법입니다. 연구자의 주관적 판단과 해석 능력이 중요한 역할을 하며, 다음과 같은 특징이 있습니다:문헌의 내용과 맥락을 중심으로 종합연구자의 관점과 논리에 따라 문헌을 선택하고 해석이론적 배경, 역사적 흐름, 개념적 구조 등을 설명체계적인 절차보다는 유연한 구성이 특징예: "최근 10년간의 교육 심리학 연구를 종합하여 학습 동기 이론의 발전 과정을 설명한다." 📊 계량 서지학(Bibliometrics)의 개념계량 서지학은 문헌의 수치적 특성을 분석하여 지식의 구조와 흐름을 파악하는 정량적 방법입니다. 주요 특징은 다음과 같..

합성 데이터 생성 모델을 이용한 연구 주제 합성데이터 생성 및 비식별 관련 최신 연구논문들을 조사한 결과, 각 논문에서 사용한 생성모델들과 모델별 차이점, 성능 비교 정리1. 합성 데이터 생성 모델을 이용한 연구 주제 논문명합성데이터 생성모델연구 주제 및 특성 De-identification is not enough (Sarkar et al., 2024)nature+1대형 언어모델(LLM) 기반 생성모델 (ex. GPT 등), 비교적 최신 GAN변종 언급임상 메모 텍스트 합성, 비식별과 멤버십 추론 공격 위험 비교, 실제 데이터와 유사한 품질 평가Data-Constrained Synthesis of Training Data for De-Identification (Vakili et al., 2025)a..

주요 GAN 계열 합성데이터 생성 모델: 상세 논문 및 구현 사례 GAN 계열 합성데이터 생성 모델은 각기 다른 데이터 유형, 적용 목적, 프라이버시 보호 수준, 기술 난이도, 성능 특성에 맞춰 다양하게 선택할 수 있으며, 최신 연구들은 주로 학습 안정성 강화, 데이터 품질과 다양성의 균형, 개인정보 보호, 그리고 다양한 데이터 유형에 맞춘 모델 최적화에 초점을 맞추고 있습니다. 주요 GAN 계열 합성데이터 생성 모델: 상세 논문 및 구현 사례 모델명 논문 및 구현 사례 핵심 내용 및 연구 주제Vanilla GANGoodfellow et al., 2014, "Generative Adversarial Nets"최초 GAN 모델 제안, 기본 구조 설명, 학습 불안정성 및 mode collapse ..

GAN 기반 합성데이터 생성 데이터 증강과 품질 간 균형 문제 해결 접근법 데이터 증강과 품질 간 균형 문제는 GAN 기반 합성데이터 생성에서 매우 중요한 이슈이며, 이를 해결하기 위한 주요 접근법은 다음과 같습니다.적절한 증강 기법 선택과 조절GAN 학습 시 과도한 데이터 증강(Data Augmentation)을 적용하면 생성기가 원본 데이터 분포와 다른 왜곡된 분포를 학습할 위험이 있습니다. 이를 막기 위해 증강 기법을 신중히 선택하고, 증강 강도를 조절해 원본 데이터의 특성을 최대한 유지하는 것이 중요합니다.예를 들어 회전, 크롭, 색상 변화 등의 증강은 단순 이미지 데이터에서 효과적이나, GAN 학습에서는 "증강된 증강"이 아닌 원본 분포를 유지하도록 데이터 분포 일치(Data Distribu..

GAN (Generative Adversarial Networks) 계열의 합성데이터 생성 모델 종류와 특장점 GAN (Generative Adversarial Networks) 계열의 합성데이터 생성 모델 종류와 특장점, 기술 난이도, 속도, 성능, 처리 데이터 유형, 비식별화 수준, 그리고 관련 연구논문을 종합적으로 정리 및 비교하면 다음과 같습니다.1. GAN 계열 합성데이터 생성 모델 종류 및 특장점모델명특장점 및 설명처리 데이터 유형기술 난이도속도 및 성능 특징비식별화 수준대표 연구논문 및 참고 모델명특장점데이터 유형기술난이도속도 및 성능비식별화 수준대표 연구논문 및 참고Vanilla GAN가장 기본적인 GAN 구조. 간단하지만 학습 불안정과 mode collapse 발생 가능.이미지, 간단한 ..

최근 GAN 기반 합성데이터 생성의 핵심 연구의 이슈는 학습 불안정성과 모드 붕괴(Mode Collapse)GAN의 훈련 과정에서 생성기와 판별자 간 균형 유지가 매우 어려워 학습이 불안정해질 수 있습니다. 모드 붕괴는 생성기가 특정 패턴에 편중된 데이터만 반복 생성하여 다양성이 부족해지는 현상으로, 이는 생성 데이터의 품질과 다양성 저하를 초래합니다. 이를 해결하기 위한 알고리즘과 평가지표 개발이 활발히 연구되고 있습니다. 생성 데이터의 다양성과 품질 유지GAN은 실제 데이터와 매우 유사한 이미지를 생성할 수 있으나, 해상도나 세부 특징에서 한계가 있을 수 있습니다. 고해상도 및 고품질 데이터 생성을 위한 기술 개선이 계속 진행 중이며, StyleGAN 등의 최신 모델에서 성능 향상이 이루어지고 있습니..