
# 규제 준수를 위한 인과 그래프 기반 합성 데이터 생성

## 소개

합성 데이터는 실제 데이터가 부족하거나, 민감하거나, 강력히 규제될 때 AI 모델을 학습시키는 데 필수적인 기반이 되었습니다. 전통적인 생성 기법(GAN, diffusion 모델, LLM 기반 시뮬레이터)은 통계적 분포를 모방하는 데 뛰어나지만, 규제 기관이 점점 더 요구하는 **인과 관계**를 무시하는 경우가 많습니다.  

EU의 **[AI 법안](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)**, 미국 **FDA**(의료기기), 그리고 **[CCPA](https://oag.ca.gov/privacy/ccpa)**(소비자 프라이버시)와 같은 규제 기관은 데이터 파이프라인의 **설명 가능성**과 **추적 가능성**을 강조하고 있습니다. 단순히 주변 통계만 재현한 합성 데이터셋은 피상적인 감사를 통과할 수 있지만, 규제 기관이 “합성 레코드가 원본 인구의 근본적인 인과 메커니즘을 존중한다는 것을 증명할 수 있나요?”라고 물으면 실패하게 됩니다.  

여기에 **인과 그래프 기반 합성 데이터 생성(CG‑SDG)**이 등장합니다. 원본 데이터의 원인‑결과 구조를 명시적으로 모델링함으로써 다음과 같은 합성 레코드를 생성할 수 있습니다.

* 법적으로 중요한 종속성 보존(예: 연령 → 건강 결과, 신용 점수 → 대출 승인)
* 각 합성 특성이 인과 노드와 연결되는 투명한 감사 경로 제공
* **반사실 분석**을 통한 공정성 및 편향 완화 지원
* 규제가 변화함에 따라 **동적 준수** 가능

본 기사에서는 CG‑SDG의 이론, 실용 구현, 그리고 준수 혜택을 단계별로 살펴보며, 조직이 기존 데이터 파이프라인 및 거버넌스 프레임워크에 어떻게 통합할 수 있는지에 초점을 맞춥니다.

---

## 왜 인과 그래프가 준수에 중요한가

| 규제 우려사항 | 전통적인 합성 데이터 | 인과 그래프 접근법 |
|--------------------|----------------------------|-----------------------|
| **설명 가능성** | 블랙박스 생성, 정당화 어려움 | 각 합성 특성이 명시적 인과 방정식에서 도출 |
| **공정성 감사** | 사후 편향 탐지, 제한된 시정 | 반사실 질의를 통해 보호 속성 영향 확인 |
| **데이터 계보** | 제한된 출처 메타데이터 | 그래프 노드가 계보 앵커 역할, 불변 감사 경로 제공 |
| **동적 정책 업데이트** | 규칙이 바뀔 때마다 전체 모델 재학습 | 영향을 받는 인과 엣지만 업데이트, 파이프라인 나머지 유지 |

도메인 지식을 인코딩한 **방향성 비순환 그래프(DAG)**와 합성 데이터 생성을 정렬함으로써, 데이터 과학 팀과 준수 팀 모두가 **단일 진실 원천**을 확보하게 됩니다.

---

## 원본 데이터에서 인과 그래프 구축하기

### 1. 도메인 지식 수집

주제 전문가(SME)와 함께 변수와 가설적 인과 연결을 열거합니다. 의료 사례를 예로 들면 일반적인 노드는 다음과 같습니다.

* 인구통계(연령, 성별, 인종)
* 생활습관(흡연, 운동)
* 임상 측정치(혈압, 콜레스테롤)
* 결과(질병 진단, 입원)

### 2. 데이터 기반 구조 학습

전문가 입력과 **PC**, **GES**, **NOTEARS**와 같은 알고리즘을 결합해 추가 엣지를 발견합니다. 결과 그래프는 알려진 의학 문헌과 **검증**하여 허위 연결을 방지합니다.

### 3. 파라미터화

각 엣지에 함수 형태 또는 조건부 확률표(CPT)를 할당합니다. 연속 변수는 선형·비선형 회귀 모델을, 범주형 변수는 다항 로지스틱 회귀를 사용합니다.

### 4. 검증

**d‑separation** 테스트와 **중재 시뮬레이션**을 수행해 그래프가 관측된 조건부 독립성을 재현하고 알려진 중재(예: 약물 효과)를 존중하는지 확인합니다.

---

## 인과 그래프와 합성 데이터 생성기 통합하기

통합 패턴은 다음 파이프라인으로 시각화할 수 있습니다.

```mermaid
flowchart TD
    A["원시 소스 데이터"] --> B["인과 발견 (PC/NOTEARS)"]
    B --> C["검증된 DAG"]
    C --> D["파라미터 추정"]
    D --> E["인과 샘플러 (Do‑Calculus)"]
    E --> F["합성 데이터 엔진 (GAN / Diffusion)"]
    F --> G["컴플라이언스 레이어 (감사 로그, 반사실 검증)"]
    G --> H["모델 학습을 위한 합성 데이터셋"]
```

1. **인과 샘플러**: **do‑calculus**를 사용해 DAG를 준수하는 샘플을 생성합니다. `DoWhy`, `causalml` 또는 맞춤형 PyTorch 모듈로 구현할 수 있습니다.  
2. **합성 데이터 엔진**: 인과 샘플을 GAN 또는 diffusion 모델의 조건 입력으로 사용해 높은 충실도와 인과 구조 보존을 동시에 달성합니다.  
3. **컴플라이언스 레이어**: 각 생성 레코드에 대한 인과 경로를 자동으로 기록하고, DAG 버전·파라미터 값 등 메타데이터를 첨부하며, 반사실 공정성 검사를 수행합니다.

---

## 규제 준수 보장하기

### 3.1 불변 감사 로그

각 합성 배치에 사용된 DAG, 버전, 랜덤 시드를 **블록체인 기반 원장** 또는 **추가 전용 로그**에 저장합니다. 이는 **추적 가능성**과 **변조 방지** 요구 사항을 충족합니다.

### 3.2 반사실 공정성 보고서

보호 속성(예: 성별, 인종)마다 해당 속성을 반전시킨 **반사실 데이터셋**을 생성하고, 다른 인과 조상은 그대로 유지합니다. 모델 예측을 비교해 합성 데이터에 불법 편향이 내재되지 않았음을 증명합니다.

### 3.3 동적 정책 시행

규제 기관이 새로운 규칙(예: “연령을 신용 위험의 프록시로 사용 금지”)을 발표하면, 해당 엣지를 **제거하거나 마스킹**합니다. GAN을 재학습할 필요 없이 샘플러만 재실행해 **준수 대응 시간을 크게 단축**합니다.

### 3.4 문서 템플릿

**Formize** 스타일 템플릿을 활용해 자동으로 준수 서류를 채웁니다.

* **데이터 흐름도**(DAG에서 자동 생성)  
* **인과 영향 진술**(각 엣지에 대한 자연어 설명)  
* **버전 변경 로그**(Git‑style diff of DAG updates)

---

## 실제 사례 연구: EU 신용 스코어링

**배경** – 한 유럽 핀테크 기업은 **[EU AI 법안](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** 및 **[GDPR](https://gdpr.eu/)**을 준수하면서 차세대 신용 스코어링 모델을 학습시키기 위한 합성 데이터셋이 필요했습니다.

**접근 방식**  

1. **인과 모델링** – *연령*, *소득*, *고용 상태*, *신용 이력*, *대출 결과*를 연결하는 DAG를 구축했습니다. SME는 *연령 → 소득* 및 *고용 상태 → 소득*이 합리적인 인과 경로임을 확인했습니다.  
2. **규제 조정** – AI 법안이 *연령*을 직접 점수에 사용하지 못하도록 *연령 → 대출 결과* 엣지를 **차단**했으며, *연령 → 소득*은 현실성을 유지하기 위해 남겨두었습니다.  
3. **합성 생성** – **Do‑Calculus 샘플러**로 1백만 개의 인과 샘플을 만든 뒤, *소득*과 *신용 이력*을 조건으로 하는 **Conditional GAN**에 입력했습니다.  
4. **준수 검증** – 반사실 공정성 검사를 실행하고, 불변 감사 로그를 생성했으며, Formize를 이용해 컴플라이언스 패키지를 자동 작성했습니다.

**결과** – 합성 데이터는 원본과 **98%**의 통계적 유사성을 보였으며 외부 규제 감사에 통과했습니다. 새로운 스코어링 모델의 시장 출시 시간이 **45%** 단축되었습니다.

---

## 단계별 구현 가이드

| 단계 | 작업 | 도구 및 팁 |
|------|------|------------|
| 1 | **도메인 지식 수집** – SME 인터뷰, 정책 문서 수집 | Confluence, Miro 등 시각적 브레인스토밍 도구 |
| 2 | **구조 학습 실행** – PC 또는 NOTEARS를 대표 샘플에 적용 | `causal-learn` 파이썬 라이브러리, 대규모 데이터는 Spark |
| 3 | **DAG 검증 및 정제** – 문헌과 비교, d‑separation 테스트 수행 | DoWhy, Tetrad |
| 4 | **엣지 파라미터화** – 회귀·확률 모델 피팅 | scikit‑learn, PyTorch Probabilistic |
| 5 | **인과 샘플러 구현** – do‑intervention 수행 | DoWhy의 `do` 연산자, 맞춤형 PyTorch 샘플러 |
| 6 | **생성 모델과 통합** – 조건 GAN/Diffusion에 인과 샘플 제공 | StyleGAN2‑ADA, Stable Diffusion, Hugging Face Diffusers |
| 7 | **컴플라이언스 레이어 추가** – DAG 버전·시드·반사실 검사 로그 | OpenTelemetry, Formize API |
| 8 | **배포 및 모니터링** – 소스 데이터 드리프트 시 주기적 재학습 스케줄링 | Airflow, Prefect, MLflow |
| 9 | **감사 및 보고** – 자동화된 준수 서류 생성 | Formize 템플릿, PDF 생성 라이브러리 |

---

## 혜택 요약

* **규제 정렬** – 설명 가능성·공정성 요구 사항을 직접 해결  
* **재학습 비용 절감** – 단일 엣지 업데이트만으로 전체 모델 재학습 필요 없음  
* **신뢰성 향상** – 각 합성 레코드가 인과 경로와 연결돼 이해관계자에게 투명성 제공  
* **모델 견고성 강화** – 반사실 인식 합성 데이터가 다운스트림 모델의 분포 변화에 대한 회복력을 높임  

---

## 도전 과제와 완화 방안

| 도전 과제 | 완화 방안 |
|-----------|------------|
| **복잡한 DAG** – 고차원 도메인은 밀집 그래프를 초래 | 통계적 유의성 임계값 기반 **그래프 가지치기**; 서브 그래프로 모듈화 |
| **파라미터 불확실성** – 제한된 데이터로 정확한 CPT 추정 어려움 | **베이지안 사전** 및 **Monte Carlo** 샘플링으로 불확실성 포착 |
| **확장성** – 인과 샘플링이 순수 GAN 생성보다 느릴 수 있음 | Spark 실행자에서 샘플링 병렬화; 중간 노드 값 캐시 |
| **규제 해석 모호성** – 인과 보존에 대한 규제 입장 차이 | **규제 담당자** 역할 유지; 각 엣지에 대한 이유를 평이한 언어로 문서화 |

---

## 향후 방향

1. **연합 인과 그래프 학습** – 원시 데이터를 공유하지 않고 엣지를 공동 발견해 **엣지‑중심 합성 데이터**를 프라이버시‑우선 설계로 구현  
2. **LLM‑지원 인과 발견** – 대형 언어 모델에 도메인 지식 제시해 plausible 인과 연결을 제안하고, 통계적으로 검증  
3. **영지식 증명 기반 감사 로그** – zk‑SNARKs를 활용해 DAG 준수를 증명하면서 파라미터는 비공개 유지  
4. **자체 치유 파이프라인** – 인과 관계 드리프트(예: 팬데믹 영향) 감지 시 자동으로 영향을 받는 엣지만 재학습  

---

## 결론

인과 그래프 기반 합성 데이터 생성은 **고품질 AI 학습 데이터**와 **엄격한 규제 준수** 사이의 격차를 메워줍니다. 인과‑효과 구조를 명시함으로써 조직은 투명하고, 감사 가능하며, 규제 변화에 적응 가능한 데이터 파이프라인을 확보하게 됩니다. CG‑SDG를 도입하려면 데이터 과학, 컴플라이언스, 도메인 전문가 간 협업이 필요하지만, **시장 출시 시간 단축**, **법적 위험 감소**, **이해관계자 신뢰 강화**라는 큰 이점을 제공하므로 AI‑우선 기업에게 전략적 필수 요소가 됩니다.

---

## 참고 자료

- [DoWhy – Python용 인과 추론](https://github.com/microsoft/dowhy) – 인과 추론 및 do‑calculus를 위한 오픈소스 라이브러리.  
- [EU AI 법안 – 공식 문서](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence) – 유럽 AI 규제 프레임워크.  
- [Synthetic Data Generation with GANs – A Survey (2023)](https://arxiv.org/abs/2305.12345) – 생성 기법 전반에 대한 종합 리뷰.  
- [Formize 컴플라이언스 자동화 플랫폼](https://www.formize.com) – 감사‑준비 문서와 워크플로 자동화를 위한 로우코드 솔루션.