불균형 데이터 학습과 생성모델 기반 순차 추천 연구

Imbalanced Learning and Generative Modeling for Sequential Recommendation

연구 내용

불균형 클래스 문제를 완화하기 위한 전처리·차원축소 전략을 적용하고, diffusion generative model을 순차 추천에 활용하는 연구

불균형 클래스 분포에서 학습 안정성과 예측력을 확보하기 위해 SMOTE와 ENN을 결합한 hybrid sampling과 PCA 기반 차원 축소를 적용합니다. 이를 통해 작은 규모의 데이터에서도 학습 가능한 표현을 구성하고, 단순하지만 효과적인 인공신경망 구조로 학습·추론 효율을 함께 고려합니다. 또한 순차 추천에서는 diffusion model의 다단계 노이즈 제거/생성 절차를 기반으로 상호작용 데이터의 불확실성을 학습하도록 설계합니다. diffusion 과정에서 가정하는 노이즈 분포를 변경하고, Transformer 기반 아키텍처 변형과 정규화·학습률 warmup 전략을 결합하여 기존 diffusion 추천 구조의 성능을 개선하는 접근을 수행합니다.

관련 프로젝트

0건

연구 흐름

2022년에는 amorphous solid dispersion의 물리적 안정성 예측 문제를 불균형 학습 관점에서 다루며, hybrid sampling과 PCA 전처리로 데이터 효율을 높이는 방향을 확립했습니다. 이후 2024년에는 순차 추천으로 연구 축을 옮기고 diffusion 기반 생성 추천 프레임을 구축했습니다. 기존 diffusion에서 사용하는 가우시안 노이즈 가정의 한계를 개선하기 위해 더 유연한 노이즈 분포를 적용하고, Transformer 구조 변형과 학습 안정화 기법을 함께 도입했습니다. 현재는 불균형·노이즈가 존재하는 데이터 환경에서 생성모델과 분류/회귀 모델의 결합 가능성을 탐색하는 단계입니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

불균형 데이터 기반 안정성 예측
소용량 데이터용 전처리 파이프라인
PCA 기반 특성 축소 최적화
Diffusion 기반 순차 추천
노이즈 분포 설계 자동화
Robustness 향상용 학습 전략
데이터 불확실성 반영 예측
생성모델 기반 추천 정밀도 개선
실험 비용 절감을 위한 후보 선별
작은 데이터 환경의 모델 일반화