1. 서 론

데이터가 경제와 사회 전반에서 핵심 자원으로 다뤄지면서, 이를 안전하게 활용하기 위한 제도적 기반도 함께 마련되어 왔다. 2020년 8월 데이터 3법 개정으로 ｢개인정보 보호법｣ 제28조의2가 신설되었으며, 개인정보처리자는 통계작성, 과학적 연구, 공익적 기록보존 등을 목적으로 개인정보를 가명처리하여 정보주체의 동의 없이도 활용할 수 있는 법적 근거가 마련되었다.

가명처리(pseudonymization)는 개인정보의 일부를 삭제 하거나 대체하는 방법으로 추가정보 없이는 특정 개인을 알아볼 수 없도록 하는 처리 기법이다. 그러나 가명처리는 원본 데이터의 정보를 변형․손실시키는 과정이기도 하므로, 처리 강도가 높아질수록 프라이버시 보호 수준은 향상 되지만 데이터의 분석 유용성은 저하되는 상충관계(trade-off)가 내재되어 있다. 이 문제는 비단 가명처리에 국한되지 않으며, 비식별 처리 전반에서 공통적으로 나타 나는 구조적 특성이다[1, 2].

개인정보보호위원회의 가명정보 처리 가이드라인[12]은 이러한 상충관계를 인식하고, 가명처리 강도를 활용 주 체, 처리 환경, 처리 목적 등을 종합적으로 고려하여 자율 적으로 판단하도록 규정하고 있다. 동 가이드라인은 위험 도를 저․중․고로 나누어 처리 수준을 차등 적용하도록 권고하지만, 위험도를 수치로 산정하는 기준까지 제시하 기는 어렵다고 보며, 같은 항목이라도 목적과 상황에 따라 적정 수준이 달라질 수 있다는 입장에 머문다. 처리 강도를 정할 때 실무자가 참조할 만한 객관적․정량적 근거가 부족한 실정이다.

한편, 합성데이터(synthetic data)는 원본 데이터의 통계 적 특성을 학습하여 생성한 인공 데이터로, 최근 가명정보의 주요 한계를 극복하는 대안 또는 보완 수단으로 주목받고 있다. 개인정보보호위원회의 합성데이터 생성․활용 안내서[11] 역시 활용목적에 따라 안전기준을 사전에 설 정할 것을 권고하면서도, 합성데이터의 안전성 검증에 관 한 표준화된 방법론은 아직 정립되지 않았다고 보고 있다. 비식별 처리의 유용성-안전성 상충관계에 대한 실증 연구는 임상 데이터[2]나 형식보존 전략 비교[9] 등을 중심으로 해외에서 일부 수행되었으나, 국내 가이드라인 체계와 연계하여 가명처리 강도별 정량 지표를 측정하고 합성데 이터와 비교한 연구는 아직 찾아보기 어렵다.

이러한 배경에서 본 연구는 두 가지 물음에 답하고자 한다. 하나는 가명처리 강도가 높아질 때 데이터 유용성과 프라이버시 보호가 각각 어떻게 달라지는가이고, 다른 하 나는 합성데이터가 이 둘 사이의 상충관계를 완화할 대안이 될 수 있는가이다. 이를 위해 처리 강도별로 유용성과 안전성이 어떻게 변하는지를 실증하고, 합성데이터와 비교함으로써 비식별 방법을 선택할 때 참고할 정량적 근거를 마련하려한다. 본 연구의 분석 대상은 금융 도메인의 Bank Customer Churn Dataset(Kaggle, 10,000건)이며, 비식 별 방법으로는 범주화 기반 가명처리 3단계와 합성데이터 3종을 설정하였다.

2. 이론적 배경 및 선행연구

2.1 가명처리 제도와 처리 강도

가명처리는 ｢개인정보 보호법｣ 제2조 제1의2호에 따라 “개인정보의 일부를 삭제하거나 일부 또는 전부를 대체하는 등의 방법으로 추가 정보가 없이는 특정 개인을 알아볼 수 없도록 처리하는 것”으로 정의된다. 동법 제28조의2는 가명정보를 통계작성, 과학적 연구, 공익적 기록보존 등의 목적으로 정보주체의 동의 없이 처리할 수 있도록 허용하고 있으며, 2020년 데이터 3법 개정을 통해 국내에 본격적으로 도입되었다[12].

개인정보보호위원회의 가명정보 처리 가이드라인(2026)은 2026년 3월 전면 개정을 통해 표준화된 위험도 판단 기준을 마련하였다[12]. 동 가이드라인은 활용 주체(내부 활용․제3자 제공)와 처리 환경(통제 가능 여부)을 기준으로 기본 위험도를 저․중․고 3단계로 판단하고, 데이터 자체의 특성 및 처리 맥락에 따라 상향․하향 조정 하도록 규정한다. 위험도가 높을수록 처리 수준을 높일 수 있다고 보면서도, 위험도가 처리 방법과 수준을 자동으로 결정하지는 않으며 동일 항목이라도 목적과 상황에 따라 적정 수준이 달라진다는 점을 함께 명시한다. 무엇보다 동 가이드라인은 정량적인 위험도 산정 기준을 제시하기 어 렵다는 입장을 밝히고 있는데, 이는 처리 강도 결정을 뒷 받침할 수치 기준이 제도적으로 비어 있음을 뜻한다.

국내 교통 민원 텍스트를 대상으로 한 가명처리 비교 연구에서도 비식별 처리의 유용성과 안전성 간 균형 확보를 핵심 평가 기준으로 제시하고 있으며[3], 모빌리티 재 현데이터 생성 연구에서도 개인정보보호와 데이터 활용이라는 상충관계 상황에서 합성데이터의 역할을 논의한 바 있다[4]. 이는 가명처리 강도 선택 문제가 특정 도메인에 국한되지 않는 범용적 과제임을 시사한다.

2.2 합성데이터의 제도적 정의와 생성방법

합성데이터(synthetic data)는 원본 데이터의 통계적 분 포와 상관 구조를 학습하여 생성한 인공 데이터이다. 완전 합성데이터는 사전에 설정한 안전기준과 정량․정성적 검 증 절차를 거쳐 안전성이 인정되는 경우에 한해 익명정보 로 활용될 수 있으며, 검증 결과 안전성이 낮게 나타나거나 안전기준을 애초에 낮게 설정한 경우에는 가명정보로 관리하는 것이 바람직하다[11]. 안내서는 합성데이터를 생 성할 때 안전성과 유용성 검증을 함께 수행하도록 하고, 유용성이 높은 반면 안전성이 낮으면 재식별 가능성이 커 지므로 관리 수준을 강화해야 한다고 지적한다[11]. 이는 합성데이터 영역에서도 유용성-안전성 상충관계의 실증적 측정이 필수적임을 제도적으로 인정한 것이다.

정형 데이터를 합성하는 방법은 크게 둘로 나뉜다. 통계 모형에 기반한 방식과 딥러닝에 기반한 방식이다. Patki et al.[10]이 제안한 SDV(Synthetic Data Vault)는 이 둘을 아 우르는 오픈소스 도구로, GaussianCopula․CTGAN․TVAE를 함께 제공한다. GaussianCopula는 각 컬럼의 주변 분포를 추정하고 가우시안 코퓰러로 컬럼 간 상관 구조를 모 델링하는 통계 기반 방법으로, 생성 시간이 짧고 상대적으로 유용성이 높은 데이터를 생성할 수 있으나 복잡한 비선형 관계를 충분히 반영하기 어렵다는 한계가 있다[4]. CTGAN(Conditional Tabular GAN)은 Xu et al.[14]이 NeurIPS에서 발표한 모델이다. 연속형 변수의 다중 모드 분포와 범주형 변수의 불균형을 다루기 위해 모드별 정규 화(mode-specific normalization)와 조건부 생성기(conditional generator)를 도입했다. TVAE(Tabular Variational Autoencoder)는 변분 오토인코더 구조를 정형 데이터에 적 용한 모델로 CTGAN과 유사한 전처리 방식을 채택하며, 선행 연구에서 ROC-AUC 기준 기계학습 유용성이 CTGAN과 비슷하거나 일부 데이터셋에서 더 높게 나타난 다고 보고되었다[7].

2.3 비식별 처리의 이론적 모델

비식별 처리 연구의 이론적 기반은 프라이버시 보호 데 이터 배포(privacy-preserving data publishing, PPDP)에 있다[5]. 출발점은 Sweeney[13]의 k-익명성(k-anonymity)이다. 데이터셋 안에서 어떤 개인도 최소 k-1명과 구별되지 않도록 준식별자(quasi-identifier)를 일반화(generalization) 하거나 억제(suppression)하자는 원칙인데, 문제는 일반화가 곧 정보를 손실시키는 과정이라는 데 있다. 보호를 얻는 대가로 정보를 잃는 구조, 즉 유용성-안전성 상충관계가 여기서 비롯된다. 뒤이어 나온 Machanavajjhala et al.[8]의 l-다양성(l-diversity)과 Li et al.[6]의 t-근접성(t-closeness)은 k-익명성의 한계를 보완하려는 시도였지만, 보호 수준을 끌어올릴수록 데이터가 거칠어지는 딜레마 자체를 벗어나지는 못했다. 일반화와 억제가 데이터 품질과 분석 성능을 떨어뜨린다는 사실은 여러 연구에서 거듭 확인된 바 있다[3]. 본 연구가 적용한 범주화(라운딩) 기반 가명처 리도 원리상 k-익명성의 일반화 기법과 같은 계열이다. 다만 처리 단위를 달리하며 강도를 단계적으로 조절할 수 있다는 점을 실험 설계에 그대로 활용했다.

2.4 데이터 유용성 및 프라이버시 안전성 측정

가명처리된 데이터의 유용성은 대개 두 관점에서 평가한다. 기계학습 유용성(ML utility)과 통계적 유사성(statistical fidelity)이다. 앞의 것은 실용적인 질문이다. 비식별 데이터로 모델을 학습시켜 원본 테스트셋에 적용했을 때 예측 성능이 처리 전에 비해 얼마나 유지되는가. 이때 흔히 쓰이는 지표가 ROC-AUC(Receiver Operating Characteristic - Area Under Curve)로, 이진 분류에서 모델의 판별력을 나타내며 1에 가까울수록 좋다. 뒤의 것은 분포의 문제다. KS-통계량(Kolmogorov-Smirnov statistic)은 두 분포 사이의 최대 거리를 재는 비모수 통계로, 처리된 데이터의 수치형 컬럼이 원본 분포에서 얼마나 벗어났는지를 컬럼별로 수치화해 준다. 실증 사례도 있다. Im et al.[2]은 응급실 재원기간 예측 과제에서 19가지 비식별 조건을 비교했는데, 강도가 올라갈 수록 레코드 억제와 예측 변수 마스킹으로 인해 유용성이 체계적으로 감소하는 것을 확인했다.

안전성을 측정할 때는 재식별(re-identification) 위험을 수 치로 바꾸는 거리 기반 방법이 흔히 쓰인다. DCR (Distance to Closest Record)이 대표적이다. 처리된 데이터의 각 레코 드가 원본에서 가장 가까운 레코드와 얼마나 떨어져 있는지를 측정하는데, 그 평균이 클수록 원본에서 멀어진 것이고 그만큼 재식별 위험도 낮다. 특히 DCR 값이 임계값 미만인 레코드를 위험 레코드(risk record)로 분류하여 원본과 지나 치게 유사한 레코드의 수를 모니터링하는 방식은 합성데이 터 평가 연구에서도 널리 활용된다[7].

Gadotti et al.[1]은 익명화 기법 전반을 검토하며, 차원이 높은 데이터에서는 비식별 처리만으로 프라이버시와 유용성을 함께 확보하기가 쉽지 않다고 지적했다. 또한 형 식보존 전략의 유용성-안전성 상충관계를 비교한 Mesana et al.[9]은 익명화 방법이 k-익명성 기준에서 우수한 성능을 보이는 반면 합성데이터의 유용성은 방법론에 따라가 변적임을 보고하였다. 합성데이터 평가 연구에서는 Liu et al.[7]이 CTGAN, TVAE, GaussianCopula를 대상으로 ROC-AUC와 DCR을 동시에 측정하여, DCR 기준 CTGAN이 가장 높은 안전성을 보이는 반면 기계학습 유용성은 방 법 간 차이가 있음을 보고하였다. 이들 연구는 공통적으로 합성데이터 평가에 있어 유용성 지표와 거리 기반 안전성 지표의 병행 측정이 필요함을 보여준다.

2.5 선행연구의 한계

비식별 처리에 유용성과 안전성의 맞교환이 존재한다 는 점은 이론적으로 충분히 받아들여져 있고 의료나 금융 분야에서는 실증 사례도 쌓여 왔다. 다만 대부분은 서로 다른 비식별 방법을 나란히 놓고 비교하는 데 무게를 두었다. 같은 방법 안에서 처리 강도를 단계적으로 바꿔가며 그 변화를 정량적으로 측정한 연구는 보이지 않는다[3, 4]. 더구나 가명정보 처리 가이드라인이 제시한 위험도 기반 처리 수준 체계와 연결지어, 강도별 정량 지표(ROC-AUC, KS-통계량, DCR)를 산출하고 이를 합성데이터와 비교한 연구는 아직 없다[11, 12]. 합성데이터 안내서(2024) 역시 안전성 검증의 표준 방법이 없다고 스스로 인정하는만큼, 실측에 기반한 접근이 더욱 필요하다. 본 연구는 바로 이 지점을 다룬다.

한편 합성데이터 안내서[11]는 부록을 통해 구별위험 도․연결위험도(CAP)․추론위험도로 구성된 안전성 지 표 3종과 1차원 분포유사성․2차원 관계유사성․구별불 가능성(pMSE)․모형성능유사성으로 구성된 유용성 지표 4종을 예시로 제시하며, 연결위험도의 경우 0.70 이하라는 구체적 임계값까지 함께 안내한다. 다만 안내서는 이 지표 들을 참고를 위한 예시로 규정하고 다른 지표와 기준도 충분히 사용할 수 있다고 밝히고 있어, 강제적 표준으로 보기는 어렵다. 본 연구가 택한 DCR 기반 단일 지표는 이 러한 다지표 체계와는 성격이 다르며, 가명처리 강도라는 단일 축을 따라 유용성과 안전성이 어떻게 변화하는지를 살피는 데 초점을 둔다는 점에서 구별된다.

3. 연구 방법론

3.1 데이터

실험 데이터로는 Kaggle에 공개된 Bank Customer Churn Dataset을 선정하였다. 유럽 금융기관 고객 1만 명의 기록으로, 신용점수(CreditScore), 국가(Geography), 성 별(Gender), 나이(Age), 거래 기간(Tenure), 잔액(Balance), 보유 상품 수(NumOfProducts), 신용카드 보유(HasCrCard), 활동 회원(IsActiveMember), 추정 급여(EstimatedSalary)의 10개 변수와 이탈 여부(Exited)를 나타내는 이진 타깃으로 구성된다. 선정 과정에서 가장 먼저 고려한 것은 처리 대 상의 성격이었다. CreditScore, Balance, EstimatedSalary, Age는 실제 금융 현장에서 개인정보로 다루어지는 수치 형 민감 항목이어서, 가명처리 대상 컬럼과 처리 강도를 실무에 가까운 조건으로 설계할 수 있다고 판단하였다. 이 탈 예측이라는 이진 분류 과제라는 점도 선정에 유리하게 작용하였다. 처리 강도에 따른 유용성 변화를 ROC-AUC라는 단일 지표로 민감하게 관측할 수 있기 때문이다. 여 기에 1만 건 규모라면 합성데이터 생성 모델의 학습과 DCR 산출 모두 무리가 없다고 보았다. 전처리로는 Geography(프랑스․독일․스페인)와 Gender 컬럼에 라벨 인코딩(Label Encoding)을 적용하였다. 이후 원본 데이터를 학습셋(80%, 8,000건)과 테스트셋(20%, 2,000건)으로 층화 분할하였다. 가명처리와 합성데이터 생성은 모두 학 습셋만을 대상으로 수행하였으며, 유용성 평가는 생성과 정에 관여하지 않은 원본 테스트셋으로만 수행하였다. 이는 합성데이터 생성 모델이 테스트셋의 분포나 상관 구조를 미리 학습하여 평가 결과가 부풀려지는 정보 누출(data leakage)을 원천적으로 차단하기 위한 설계이다. 특히 합 성데이터의 경우 생성기가 평가에 사용될 데이터를 학습 하면 유용성이 실제보다 높게 측정될 수 있으므로, 생성기 학습을 학습셋으로 엄격히 제한하였다.

3.2 가명처리 설계

본 연구의 가명처리 기법으로는 범주화(라운딩) 방식을 채택하였다. 범주화는 수치형 변수를 일정 단위로 묶어 표 현하는 방법으로, k-익명성 모델의 일반화(generalization) 기법과 동일한 원리에 기반하며 가명정보 처리 가이드라 인[12]에서도 대표적인 가명처리 기법으로 제시된다. 처리 강도는 단위의 크기로 조절하며, 단위가 클수록 정보 손실이 증가하여 강한 처리에 해당한다.

가명처리 수준은 처리 대상 컬럼(CreditScore, Balance, EstimatedSalary, Age)에 대해 3단계로 설정하였다. 수준1 (약)은 CreditScore 25단위, Balance․EstimatedSalary 10,000단위, Age 5년 단위로 처리하며, 정보 손실이 최소 화된 약한 처리에 해당한다. 수준2(중)는 CreditScore 50단 위, Balance․EstimatedSalary 20,000단위, Age 10년 단위로 처리한다. 수준3(강)은 CreditScore 100단위, Balance․ EstimatedSalary 50,000단위, Age 20년 단위로 처리하며, 정보 손실이 가장 큰 강한 처리에 해당한다. 처리 방식은 하한 범주화(floor rounding) 방식, 즉 floor(x / unit) × unit을 적용하였으며, 처리 후 원본 범위를 벗어난 값은 클리 핑(clipping)을 통해 원본 분포 범위 내에서 유지하였다. 범 주화 단위는 각 항목의 실제 분포 폭을 고려하되, 수준 간정보 손실의 차이가 뚜렷이 구분되도록 단위를 배수로 확 대하는 방식으로 설정하였다. 예컨대 CreditScore는 실무에서 신용등급을 구분하는 점수 폭을 참고해 25→50→100으로, Balance․EstimatedSalary는만 원 단위 구간을 1만→2만→5만으로 넓혀, 수준이 높아질수록 손실 정도에 뚜 렷한 차이가 생기도록 하였다. 이때 특정 단위값 자체가 절대적 기준은 아니며, 그 타당성은 4.5절의 범주화 단위 민감도 분석에서 단위를 ±10~20% 조정하여도 강도별 경 향이 유지됨을 통해 뒷받침된다. 이러한 3단계 구성은가 명정보 처리 가이드라인이 위험도를 저․중․고로 구분하 여 처리 수준을 차등 적용하도록 한 원칙에 대응하며, 본 연구의 수준1․2․3을 각 위험도 구간에 실증적으로 연결 하려는 설계이다.

3.3 합성데이터 생성

합성데이터는 SDV(Synthetic Data Vault) 라이브러리[10]로 생성했다. 생성 모델은 GaussianCopula, CTGAN, TVAE 세 가지인데 접근 방식은 서로 다르다. GaussianCopula는 컬럼별 주변 분포를 추정한 뒤 가우시안 코퓰러로 상관 구조를 모델링하는 통계 모형이고, CTGAN은 정형 데이터 특유의 다중 모드 분포와 범주 불균형을 겨냥해 모드별 정규화와 조건부 생성기를 도입한 딥러닝 모델이다[14]. TVAE는 같은 문제를 변분 오토인코더(VAE) 구조로 다룬다. 대신 학습 조건은 통일했다. CTGAN과 TVAE의 에포크(epochs)는 300, 생성 샘플 수는 학습셋과 같은 8,000건이다. 방법 간 차이가 학습량이나 표본 크기에서 비롯된 것으로 오해되지 않게 하기 위해서다. 에포크 300은 특정 모델에 유리한 최적값이 아니라 SDV가 제공하는 표준 기본값으로, 세 생성 모델에 공통으로 적용하여 비교의 공정성을 확보하 기 위한 조건이다. 에포크 변화에 따른 성능 영향은 4.5절에 서 별도로 검토한다.

3.4 측정 지표

측정에는 네 가지 지표를 사용했다. 유용성을 보는 지표 둘, 안전성을 보는 지표 하나, 그리고 둘을 결합한 종합 지표 하나다.

유용성 지표로는 ROC-AUC와 KS-통계량을 사용하였 다. ROC-AUC는 비식별 처리된 데이터로 분류기를 학습 한 후 원본 테스트셋을 기준으로 예측 성능을 평가하는 방식으로 측정하였다. 정형 데이터 분류에서는 신경망뿐 아니라 트리 기반 앙상블과 선형 모델도 널리 쓰이므로, 특정 분류기에 따른 편향을 배제하기 위해 서로 다른 네 가지 분류기를 사용하였다. 신경망 계열로 MLP(Multi-Layer Perceptron), 선형 계열로 로지스틱 회귀(Logistic Regression), 트리 앙상블 계열로 랜덤 포레스트(Random Forest)와 XGBoost를 적용하였으며, 각 분류기별 ROC-AUC를 비교하였다. 평가는 모든 방법에서 원본 테스트셋(20%, 2,000건)을 기준으로 수행하였다. KS-통계량(KolmogorovSmirnov statistic)은 처리된 데이터와 원본 데이터 간 수치 형 컬럼(CreditScore, Age, Balance, EstimatedSalary) 각각의 분포 차이를 측정하여 평균값으로 산출하였다. KS-통 계량은 0에 가까울수록 원본과 분포가 유사하여 통계적 유용성이 높음을 의미한다[4].

안전성은 DCR(Distance to Closest Record)로 측정했다. 처리된 데이터의 레코드 하나가 원본에서 가장 가까운 레 코드와 얼마나 떨어져 있는지, 그 유클리드 거리(StandardScaler 정규화 후)를 재는 지표다. 평균이 클수록 원본에서 멀다는 뜻이고, 그만큼 재식별도 어려워진다. 여 기에 더해 DCR이 0.05에 못 미치는 레코드는 위험 레코드(risk record)로 별도 집계했다. 평균만 보면 소수의 위험한 레코드가 드러나지 않을 수 있다고 판단했기 때문이다. 임 계값 0.05는 StandardScaler로 정규화된 거리 공간에서 원 본과 사실상 동일하다고 볼만큼 근접한 레코드를 선별하 기 위한 보수적 기준이며, 이 값의 타당성은 4.5절에서 여 러 임계값에 대한 민감도 분석으로 확인한다. 거리 계산은, 표본 추출로 인한 밀도 저하가 DCR 추정에 영향을 주 지 않도록, 원본과 처리 데이터 전체를 대상으로 Ball Tree 기반 최근접 이웃 탐색으로 수행하였다. 안내서(2024)는 구별위험도, 연결위험도(CAP), 추론위험도 등 다양한 안 전성 지표를 예시로 제시하지만, 본 연구는 가명처리 강도라는 단일 축을 따라 안전성 변화를 일관되게 추적하기 위해 레코드 단위 재식별 위험을 직접 반영하는 DCR을 대표 지표로 채택하였다. 다른 지표를 활용한 교차검증은 4.5절에서 별도로 수행한다.

마지막으로 두 축을 통합하는 지표이다. 유용성 수치와 안전성 수치를 따로 놓고 보면 어느 방법이 나은지 한눈에

판단하기 어렵다. 그래서 F1-Score가 정밀도와 재현율을 조화평균으로 결합하듯, ROC-AUC와 안전성 점수를 조화 평균한 균형점수(Balance Score)를 도입했다. 균형점수=2 × ROC-AUC × Privacy Score ROC-AUC + Privacy Score로 계산하되, 안전성 점수(Privacy Score)를 산출하는 정규화 방식에는 단일한 이론적 표준이 존재하지 않는다. 이에 본 연구는 두 가지 방식을 함께 적용하였다. 하나는 DCR 평균을 기준값 0.5로 정규화하되 1.0을 넘지 않게 제한하는 상한 적용 방식(Capped)이다. 여기서 기준값 0.5는 재식별로부터 안전하다고 볼 최소 거리를 의미하며, 실 무에서 적용 가능한 최소한의 가명처리가 확보하는 안전 성을 기준선으로 삼은 것이다. 다른 하나는 관측된 DCR의 최댓값으로 정규화하는 범위 정규화 방식(Scaled)으로, 특 정 기준값을 임의로 지정하지 않고 값의 포화를 방지한다. 두 방식이 종합 순위에 미치는 영향은 4.4절과 4.5절에서 비교한다. 조화평균을 택한 이유는 분명하다. 산술평균과 달리 어느 한쪽이 극단적으로 낮으면 점수가 크게 낮아지 기 때문에, 유용성만 좋거나 안전성만 좋은 방법이 높은 점수를 받는 일을 막을 수 있다.

이는 차등 프라이버시(differential privacy) 문헌에서 논 의되어 온 프라이버시-유용성 경계(privacy-utility frontier) 개념을, 비식별 처리 실무에서 단일 수치로 판단할 수 있는 의사결정 기준으로 구체화한 것으로 볼 수 있다. 즉 균 형점수는 유용성과 안전성 중 어느 한쪽이 개별적으로 우 수한 지점이 아니라, 두 목표가 함께 절충되는 파레토 최 적점(Pareto-optimal point)에 가까운 처리 방법을 식별하는 역할을 한다.

3.5 실험 환경

구현은 전부 Python으로 이루어졌다. 합성데이터 생성 에는 SDV를, 분류기는 scikit-learn의 MLPClassifier를 사용했고, 거리 계산은 NearestNeighbors의 Ball Tree에, 분포 비교는 scipy.stats.ks_2samp로 수행했다. 재현성을 위해 전 과정에 random_state=42를 고정했으며, 평가용 테스트셋은 원본에서 8:2로 층화 추출해 고정해 두었다. 설계에서 한 가지 원칙을 지켰다. 가명처리와 합성데이터 생성은 모 두 학습셋(80%)만을 대상으로 하고, 평가는 언제나 생성에 관여하지 않은 원본 테스트셋으로 한다는 것이다. 그래 야 생성 모델이 평가 데이터를 미리 학습하는 정보 누출 없이, 방법들끼리 유용성을 같은 기준에서 비교할 수 있기 때문이다.

4. 연구 결과 및 분석

4.1 가명처리 강도별 상충관계 실증

가명처리 3단계에 따른 지표 변화는 <Table 3>과 <Figure 1A>에, 전체 방법의 상충관계 양상은 <Figure 1B>에 담았다. <Table 3>의 균형점수는 정규화 방식에 따라 상한 적용과 범위 정규화 두 가지로 제시하였으며, 그 해석은 4.4절에서 다룬다.

먼저 유용성부터 살펴본다. ROC-AUC는 수준1(약) 0.855, 수준2(중) 0.846, 수준3(강) 0.819였다. 강도가 올라갈수록 감소하긴 하는데, 감소 폭이 고르지 않다. 수준1에 서 수준2로 갈 때는 0.009에 그쳤지만, 수준2에서 수준3으로 넘어가는 구간에서는 0.027이 감소했다. 범주화를 어느 선 이상으로 강하게 걸면 분류 성능 저하가 가파르게 커진다는 해석이 가능하다.

안전성 지표인 DCR 평균은 반대 방향으로 움직였다. 수준1(약) 0.280, 수준2(중) 0.551, 수준3(강) 0.949로, 강도를 높일수록 단계적으로 커졌다. 특히 눈에 띄는 구간은 수준2에서 수준3으로의 전환이다.

이때 DCR 평균이 0.551에서 0.949로 약 1.7배 급증했는데, 강한 처리가 재식별 위험을 낮추는 효과가 이 구간에서 가장 컸다. 위험 레코드(원본 근접 레코드) 수도 수준1에서 42건, 수준2에서 6건, 수준3에서 0건으로 줄었다. 강 도를 높일수록 개별 레코드 단위의 재식별 위험이 실질적으로 줄어든다는 의미다. KS-통계량은 수준1 0.106, 수준2 0.216, 수준3 0.402였다. 역시 강도가 높아질수록 커졌고, 수준3의 0.402는 원본 분포와 상당히 멀어졌음을 보여준다. 세 지표를 겹쳐 보면 방향이 분명해진다. 강도를 올리 면 ROC-AUC와 KS-통계량으로 본 유용성은 낮아지고, DCR로 본 안전성은 높아진다. 수준1에서 수준3까지 ROC-AUC가 4.2%(0.855→0.819) 감소하는 동안 DCR 평균은 3.4배(0.280→0.949) 증가했으니, 본 연구가 검증하고자 했던 상충관계가 수치로 확인된 지점이다.

4.2 합성데이터의 유용성 및 안전성 특성

합성데이터 세 종류를 보면 ROC-AUC는 TVAE 0.800, CTGAN 0.781, GaussianCopula 0.690 순이었다. 세 모델 모두 가명처리 수준1(0.855)은 물론 수준3(0.819)에도 미치지 못했다. 원본의 통계적 특성만 학습해 데이터를 생성하는 합성 방식은, 개별 레코드 정보를 직접 보존하는 가명처리에 비해 분류 과제에서 구조적으로 불리할 수밖에 없다.

안전성 측면에서는 합성데이터가 가명처리 대비 전반적으로 높은 DCR 값을 나타냈다. GaussianCopula가 DCR 평균 1.288로 가장 높은 안전성을 보였으며, CTGAN(0.989), TVAE(0.675) 순으로 나타났다. 위험 레코 드 수는 세 모델 모두 0건으로 집계되어, 합성데이터가 원본 레코드로부터 충분한 거리를 확보함을 확인하였다. 이는 합성데이터가 원본 데이터를 직접 복제하지 않고 통계적 분포만을 학습하여 생성되는 방식의 특성에서 비롯된 것으로 해석된다[7].

주목할 부분은 GaussianCopula의 분류 실패다. 이 데이 터로 학습시킨 MLP 분류기는 Precision과 Recall이 모두 0.000이었다. 이탈 고객을 한 명도 식별하지 못했다는 의미다. ROC-AUC가 0.690을 기록하면서도 Precision․ Recall이 0인 것은, 확률 예측 자체에는 일부 판별력이 존재하나 고정 임계값(0.5) 기준 분류 시 모든 샘플을 하나의 클래스로 분류하는 클래스 불균형 문제가 발생했음을 시사한다.

이 현상이 모델의 완전한 무능력을 뜻하는지 확인하기 위해, 분류 임계값을 달리하여 성능을 다시 측정하였다. <Table 4>는 임계값별 Precision, Recall, F1을 정리한 것이다. 고정 임계값 0.5에서는 Precision․Recall이 모두 0이었으나, 실제 이탈 비율을 기준으로 한 임계값과 F1을 최대화하는 임계값에서는 Recall이 각각 0.373, 0.624까지 회복되었다. GaussianCopula가 생성한 데이터에도 이탈 고객을 판별할 확률적 정보는 담겨 있으며, 다만 생성 과정에서 예측 확률이 전반적으로 낮게 형성되어 0.5라는 고정 임계값에 걸리는 표본이 없었던 것이다. 이러한 현상은 두 가지 요인이 함께 작용한 결과로 볼 수 있다. 하나는 클래스 불균형에 대한 임계값 민감성이고, 다른 하나는 GaussianCopula가 변수 간 상관을 가우시안 결합분포로 단순화하는 과정에서 복잡한 비선형 관계를 충분히 반영하지 못한 점이다. 실제로 <Table 5>에서 GaussianCopula는 선형 모델인 로지스틱 회귀(0.776)에서는 상대적으로 높은 성능을 보인 반면 트리 기반 모델에서는 낮은 성능을 보였는데, 이는 생성된 데이터의 상관 구조가 선형적 패턴에 치우쳐 있음을 시사한다. 따라서 GaussianCopula의 결과는 단일 요인으로 단정하기보다, 임계값 민감성과 생성 모델의 구조적 한계가 복합적으로 작용한 것으로 해석하는 것이 타당하다. 다만 표준적인 고정 임계값 조건에서 실질적 분류가 이루어지지 못한 점은 GaussianCopula 합성데이터의 활용상 제약으로 남는다.

KS-통계량 측면에서는 CTGAN(0.139)이 세 모델 중 원본과 분포가 가장 유사하였으며, GaussianCopula(0.163), TVAE(0.183) 순으로 나타났다. 한 가지 특기할 점은 CTGAN의 KS-통계량(0.139)은 가명처리 수준1(0.106)보다는 높았으나, 강한 가명처리인 수준2(0.216)․수준3(0.402)보다는 낮았다는 것으로, 분포 보존이라는 측면만 놓고 보면 CTGAN이 강한 가명처리보다 원본에 가까웠던 셈이다.

4.3 가명처리와 합성데이터의 비교 분석

가명처리와 합성데이터의 유용성-안전성 포지셔닝을 종합적으로 비교하면 뚜렷한 군집화 양상이 나타난다. 가명처리 수준1․2는 유용성(ROC-AUC 0.846~0.855)은 높으나 안전성(DCR 0.280~0.551)이 낮은 영역에 위치하며, 합성데이터(CTGAN, GaussianCopula)는 안전성(DCR 0.989~1.288)은 높으나 유용성(ROC-AUC 0.690~0.781)이 낮은 영역에 위치하였다. 가명처리 수준3은 두 군집의 중간 영역(ROC-AUC 0.819, DCR 0.949)에 위치하여, 처리 강도를 높임으로써 유용성의 일정한 희생을 감수하면서 합성데이 터 수준의 안전성에 근접할 수 있음을 보여주었다.

이러한 군집화가 나타나는 이유는 두 방식이 원본 데이터를 다루는 방식 자체가 다르기 때문이다. 가명처리는 원본 레코드를 변형해 그대로 사용한다. 레코드 단위의 예측 패턴이 상당 부분 살아 있으니 ROC-AUC가 0.819~0.855로 높게 유지되는 것은 자연스러운 결과다. 대신 원본과의 대응 관계가 남는 이상 재식별 위험을 완전히 없앨 수는 없고, 이는 상대적으로 낮은 DCR 수치로 나타났다. 합성데이터는 출발점이 다르다. 원본 레코드를 직접 사용하지 않기 때문에 위험 레코드 0건이라는 결과가 보여주듯 안전성 확보에는 유리했지만, 생성 모델이 클래스 분포나 변수 간 복잡한 관계를 놓친 만큼의 유용성 손실(ROC-AUC 0.690~0.800)이 뒤따랐다. 본 연구는 이 결과를, 활용 목적에 따라 안전기준을 사전에 설정하도록 권고한 합성데이 터 안내서[11]의 문제의식이 실증 수치로 확인된 사례로 해석한다.

이러한 가명처리와 합성데이터의 유용성 대비가 특정 분류기에 의존하지 않는지 확인하기 위해, MLP 외에 로지스틱 회귀, 랜덤 포레스트, XGBoost를 포함한 네 가지 분류기로 ROC-AUC를 각각 측정하였다. <Table 5>는 각 방법의 분류기별 ROC-AUC를 정리한 것이다. 가명처리가 합성데이터보다 대체로 높은 유용성을 보이는 경향은 네 분류기 전반에서 일관되게 유지되었다. 다만 트리 기반 모델에서는 TVAE가 가명처리 수준3과 대등한 수준을 보이는 등 일부 편차가 관찰되어, 두 방식의 유용성 우열이 분류기 선택에 따라 조정될 수 있음을 시사한다. 이는 가명처리와 합성데이터의 군집 구분이 분류기에 견고하되, 개별 방법의 상대적 위치는 평가 맥락에 따라 달라질 수 있음을 보여준다.

4.4 균형점수 기반 종합 비교 분석

균형점수는 유용성과 안전성을 하나로 통합하는 지표이지만, 안전성(DCR)을 어떤 방식으로 정규화하느냐에 따라 결과가 달라진다. 본 연구는 정규화 방식을 단일하게 확정하지 않고 두 가지를 함께 제시하였다. 하나는 기준값 0.5로 정규화한 뒤 상한 1.0을 적용하는 상한 적용 방식(Capped)이고, 다른 하나는 관측된 DCR의 최댓값으로 정규화하여 포화가 생기지 않는 범위 정규화 방식(Scaled)이다. 두 방식의 균형점수는 <Table 3>에 제시했다. 상한 적용 방식에서는 가명처리 수준2(중)가 0.917로 가장 높았고, 수준3(강) 0.901, TVAE 0.889가 뒤를 이었다. 그러나 이 방식에서는 DCR이 기준값 0.5를 넘는 다섯 방법, 즉 수준2, 수준3과 합성데이터 세 종류의 안전성 점수가 모두 1.0으로 포화된다. 실제로는 2배 이상 벌어지는 DCR(수준2 0.551, GaussianCopula 1.288)이 종합점수에 반영되지 못하고, 순위가 사실상 ROC-AUC에 의해서만 갈리는 것이다. 상한 적용 방식에서 수준2가 최상위인 것은 안전성 차이가 소거된 결과이며, 안전성이 이미 충분히 확보되었다고 전제할 때에만 성립하는 순위다.

포화가 생기지 않는 범위 정규화 방식에서는 순위가 달라진다. 안전성 차이가 점수에 온전히 반영되면서, DCR이 높은 GaussianCopula(0.817), 수준3(0.776), CTGAN(0.774) 이 상위로 올라오고 수준2(0.568)는 하위권으로 내려간다. 균형점수의 순위가 정규화 방식에 본질적으로 의존하며, 어느 한 방법이 절대적으로 우월하다고 단정하기 어렵다는 것을 보여준다.

다만 범위 정규화 방식에서 최상위에 오른 GaussianCopula는 해석에 주의가 필요하다. DCR이 가장 높아 안전성 점수는 최대지만, 앞서 보았듯 고정 임계값 분류에서 이탈 고객을 한 명도 식별하지 못했다. 높은 균형점수가 곧 실질적 유용성을 뜻하지는 않는 것이다. 균형점수를 단일 순위 지표로 삼을 때의 한계가 이 사례에서 분명히 드러난다.

결국 균형점수는 특정 강도의 우열을 가리는 점수라기보다, 안전성에 어느 정도 가중을 두느냐에 따라 최적점이 이동함을 보여주는 도구에 가깝다. 유용성과 안전성의 균 형이 필요한 내부 분석 환경에서는 유용성 손실이 작은 수준2가, 안전성이 최우선인 제3자 제공 환경에서는 재식별 위험이 낮은 수준3이나 합성데이터가 적합하다. 처리 강도의 적정 수준이 하나로 정해지기보다 활용 목적에 따라 달라진다는 본 연구의 관점과 맞닿아 있으며, 위험도에 따라 처리 수준을 차등 적용하되 유용성을 지나치게 희생하지는 말라는 가명정보 처리 가이드라인[12]의 원칙과도 방향이 같다. 구체적으로, 데이터를 외부 기관에 제공하거나 서로 다른 기관의 데이터를 결합하는 경우처럼 처리자의 통제를 벗어나는 상황에서는 재식별 위험이 낮은 수준 3이나 합성데이터가, 기관 내부에서 분석 목적으로 활용하는 경우처럼 접근이 통제되는 상황에서는 유용성이 높은 수준2가 적합한 선택이 된다. 균형점수는 이처럼 활용 맥락별로 적정 강도를 판단하는 참조 기준으로 기능할 수 있다.

4.5 민감도 분석

측정에 사용한 DCR 위험 임계값(0.05)과 가명처리 구간(범주화 단위)이 결과의 방향성을 좌우하는 자의적 선택이 아닌지 확인하고, 나아가 균형점수 정규화․생성 모델 학습 조건․평가지표 선택이 결론에 미치는 영향을 함께 검토하기 위해 다섯 가지 민감도 및 교차검증 분석을 추가로 수행하였다.

첫째, DCR 위험 임계값을 0.03, 0.05, 0.07, 0.10 네 가지로 바꾸어 가명처리 수준별 위험 레코드 수를 재계산하였다. <Table 6>은 임계값별 위험 레코드 수를 정리한 것이다. 그 결과 임계값과 무관하게 수준1(16~217건) ≥ 수준2(2~37건) ≥ 수준3(0건) 순위가 네 임계값 전부에서 유지되었으며, 수준3은 임계값을 0.10까지 완화하더라도 위험 레코드가 한 건도 발생하지 않았다. 이는 본 연구가 채택한 0.05라는 임계값이 결과의 방향성을 좌우하는 자의적 선택이 아님을 뒷받침한다.

둘째, 가명처리 수준별 범주화 단위를 ±10%, ±20% 조정하여 ROC-AUC와 DCR의 변화를 재확인하였다. DCR의 증가 추세(수준1 < 수준2 < 수준3)는 다섯 가지 조정폭 전부에서 예외 없이 유지되었다. ROC-AUC 역시 수준 1 > 수준2 > 수준3의 순서가 모든 조정폭에서 일관되게 유지되어, 강도 증가에 따른 유용성 감소 추세가 범주화 단위 설정에 견고함을 확인하였다.

셋째, 균형점수의 정규화 방식이 종합 순위에 미치는 영향을 검토하였다. <Table 7>은 안전성 점수를 산출하는 세 가지 방식, 즉 기준값 0.5에 상한을 적용한 방식, 기준값 0.7에 상한을 적용한 방식, 관측 최댓값으로 정규화한 범위 정규화 방식에 따른 균형점수와 1위 방법을 정리한 것이다. 현행의 상한 적용 방식(기준값 0.5)에서는 수준2․수준3과 합성데이터 3종의 안전성 점수가 모두 1.0으로 포화되어, 안전성 차이가 종합점수에 반영되지 못하고 순위가 사실상 ROC-AUC에 의해 결정된다. 이 조건에서 최고점은 수준2(중)였다. 그러나 기준값을 0.7로 높이면 최고점이 안전성이 더 높은 수준3(강)으로 이동하고, 포화가 완전히 사라지는 범위 정규화 방식에서는 안전성이 가장 높은 GaussianCopula가 최상위에 오른다. 정규화 방식에 따라 최적점이 수준2에서 수준3, 나아가 합성데이터로 이동하는 것이다. 이는 균형점수의 순위가 정규화 방식에 본질적으로 의존하며, 수준2의 우위가 ‘안전성이 이미 충분히 확보된 상태에서 유용성 손실을 최소화한다’는 특정 관점에서만 성립함을 보여준다. 바꾸어 말하면, 안전성에 더 큰 가중을 두는 활용 맥락에서는 수준3이나 합성데이터가 더 적합한 선택이 된다.

넷째, 합성데이터 생성 모델의 학습 조건이 유용성 평가에 미치는 영향을 검토하였다. 본 연구는 방법 간 공정한 비교를 위해 모든 생성 모델의 에포크를 300으로 통일하였으나, 이 조건이 각 모델의 최적 성능을 반영하지 못할 가능성이 있다. 이를 확인하기 위해 CTGAN의 에포크를 100부터 1000까지, 배치 크기를 100과 500으로 달리하며 유용성 변화를 관찰하였다. <Table 8>은 CTGAN의 에포크별 ROC-AUC를 정리한 것이다. CTGAN의 ROC-AUC(MLP 기준)는 에포크 100에서 0.763, 300에서 0.781, 500에서 0.749로 변동하다가, 700에서 0.823으로 정점에 이른 뒤 1000에서 0.806으로 다시 낮아졌다. 에포크에 따라 성능이 안정적으로 수렴하기보다 진동하는 양상을 보였으며, 700에서는 0.823을 기록하여 가명처리 수준3(0.819)을 상회하기도 하였다. 이는 충분한 학습이 이루어질 경우 합성데이터가 강한 가명처리의 유용성을 넘어설 잠재력이 있음을 보여준다. 다만 이러한 성능은 특정 에포크에서만 나타났을 뿐 일관되게 유지되지 않았고, 대부분의 학습 조건에서는 수준3에 미치지 못하였다. 이는 GAN 계열 모델 특유의 학습 불안정성으로 인해 최적 학습 시점을 사전에 특정하기 어렵다는 실무적 제약을 함께 시사한다.

다섯째, 유용성과 안전성을 단일 지표로 측정한 데 따른 한계를 보완하기 위해, 서로 다른 원리의 지표를 추가로 산출하여 결과를 교차검증하였다. 유용성 축에서는 원본과 처리 데이터의 구분 가능성을 측정하는 pMSE(propensity Mean Squared Error)를, 안전성 축에서는 k-익명성이 론에 기반하여 준식별자 조합으로 유일하게 식별되는 레코드의 비율(uniqueness)을 각각 계산하였다. 두 지표의 산출 결과는 <Table 9>에 정리하였다. pMSE는 가명처리 수준1에서 수준3으로 갈수록 0.004에서 0.063으로 커져, 강 도가 높아질수록 원본과의 구분이 뚜렷해지는(유용성이 낮아지는) 양상을 보였다. 이는 ROC-AUC로 관측한 유용 성 감소 추세와 방향이 일치한다. 유일성 지표 역시 수준1 0.790에서 수준3 0.023로 급감하여, 강도를 높일수록 유일 식별 레코드가 줄어드는 결과가 DCR로 본 안전성 향상과 부합하였다. 다만 유일성 지표는 가명처리와 합성데이터에서 서로 다른 의미를 가지므로 해석에 주의가 필요하다. 가명처리는 원본 레코드를 변형하여 유지하므로 유일성 비율이 원본 개인의 재식별 위험을 직접 반영하며, 강도가 높아질수록이 값이 감소하는 것은 재식별 위험의 저하를 뜻한다. 반면 합성데이터의 높은 유일성(CTGAN 0.946, GaussianCopula 0.917)은 연속형 확률분포에서 표본을 추 출하는 생성 방식의 특성상 합성 데이터셋 내부의 레코드 간 중복이 적어 나타나는 내부 다양성일뿐, 원본의 특정 개인을 재식별할 위험과는 구분되는 개념이다. 실제로 합 성데이터는 원본 레코드를 직접 보존하지 않으므로, 그 재 식별 위험은 유일성이 아니라 앞서 DCR과 위험 레코드 수(0건)로 확인된 바와 같이 낮게 평가된다. 따라서 합성 데이터의 유일성 값을 가명처리와 동일한 기준으로 비교하여 재식별 위험을 판단해서는 안되며, 본 연구에서 유 일성 지표는 가명처리 강도에 따른 재식별 위험 변화를 교차검증하는 용도로 한정하여 활용하였다.

다섯 가지 민감도․교차검증 분석에서 얻은 결론은 다음과 같이 정리할 수 있다. 가명처리 강도와 안전성 사이의 정(+)의 관계는 임계값을 바꾸든 범주화 구간을 조정하 든 일관되게 유지되었고, 강도 증가에 따른 유용성 감소 추세 역시 모든 조정폭에서 순서가 유지되었다. pMSE와 유일성 지표 등 다른 지표에서도 가명처리 강도에 따른 동일한 방향이 재확인되었다. 균형점수의 순위는 정규화 방식에 따라 이동하였으나 이는 지표 설계상의 특성으로, 강도 증가에 따른 유용성-안전성 상충관계라는 본 연구의 핵심 결과 자체는 임계값․구간․정규화 방식․학습 조 건․지표 선택 전반에 걸쳐 견고하게 유지되었다.

5. 결 론

본 연구가 확인하고자 한 것은 두 가지였다. 가명처리 강도를 올릴 때 데이터 유용성과 프라이버시 보호가 실제로 어떻게 달라지는가, 그리고 합성데이터가 그 대안이 될 수 있는가이다. 이를 위해 Bank Customer Churn Dataset (N=10,000)에 범주화 기반 가명처리 3단계와 합성데이터 3종(CTGAN, TVAE, GaussianCopula)을 적용하고, 원본을 학습셋과 테스트셋으로 분리한 뒤 서로 다른 네 가지 분류 기의 ROC-AUC와 KS-통계량, DCR, 균형점수로 측정했다. 결과를 요약하면 다음과 같다.

가장 먼저, 가명처리 강도를 수준1에서 수준3으로 높이 면 ROC-AUC가 0.855에서 0.819로 감소하는 동안 DCR 평균은 0.280에서 0.949로 약 3.4배 증가했다. 유용성을 양 보한만큼 안전성을 얻는 구조가 수치로 확인됐다. 원본과 과도하게 유사한 위험 레코드도 수준1에서 42건이던 것이 수준3에서는 발생하지 않았다. 강하게 처리할수록 레코드 단위의 재식별 위험이 실제로 줄어든 것이다. 이러한 경향은 신경망․선형․트리 기반을 아우르는 네 분류기 전반에서 일관되게 나타났으며, ROC-AUC, DCR뿐 아니라 pMSE와 유일성 지표 등 다른 지표에서도 동일하게 재확 인되어 특정 분류기나 지표 선택에 좌우되지 않는 결과임을 확인하였다.

합성데이터는 DCR로 본 안전성에서는 가명처리를 대체로 앞섰지만, ROC-AUC는 0.690~0.800에 머물러 가명처리의 어느 수준에도 대체로 미치지 못했다. 에포크를 1,000까 지 확장한 결과 CTGAN은 특정 학습 시점(700 에포크)에서 ROC-AUC 0.823을 기록하여 강한 가명처리(수준3, 0.819)의 유용성을 상회하기도 하였다. 이는 충분한 학습 시 합성 데이터가 강한 가명처리의 유용성을 넘어설 잠재력이 있음을 보여준다. 다만 그 성능이 에포크에 따라 진동하여, GAN 계열 모델 특유의 학습 불안정성으로 최적 학습 시점을 사전에 특정하기 어렵다는 점은 합성데이터 활용의 실무적 제약으로 남는다. 이러한 불안정성에도 불구하고 대부분의 학습 조건에서는 합성데이터의 유용성이 강한 가명처리에 미치지 못하였다. 특히 GaussianCopula는 안전성이 가장 높았음에도, 고정 임계값 기준으로는 이탈 고객을 식별하지 못하는 클래스 불균형 문제를 드러냈다. 다만 임계값을 조 정하면 일부 판별력이 회복되어, 이는 완전한 분류 실패라 기보다 임계값 민감성 문제에 가까웠다. 안전성과 유용성을 동시에 확보하는 일이 생성 모델의 선택만으로 해결되지 않는다는 점을 보여주는 결과다.

균형점수로 종합한 순위는 안전성 점수의 정규화 방식에 따라 달라졌다. 상한을 적용한 방식에서는 가명처리 수 준2가 가장 높았으나, 포화를 제거한 방식에서는 안전성이 높은 수준3과 합성데이터가 상위로 이동했다. 즉 처리 강도의 적정 수준은 단일하게 정해지기보다 활용 목적에 따라 달라지며, 균형점수는 절대적 순위를 매기는 지표라 기보다 그 선택을 뒷받침하는 정량적 참조 틀로 기능한다.

이 결과는 학술과 실무 양쪽에 시사하는 바가 있다. 학 술적으로 보면, 가명정보 처리 가이드라인[12]은 처리 강 도를 자율적으로 정하도록 하면서도 그 기준이 될 수치는 제시하지 못했는데, 이 공백을 실측으로 보완했다는 데 본 연구의 의의가 있다. 또 강도를 수준2에서 수준3으로 올릴 때 ROC-AUC가 가파르게 하락하고 DCR이 크게 상승하는 상충관계의 비선형적 양상은 앞으로 최적 강도를 찾는 연구의 기초가 될 수 있다. 실무적으로 본 연구의 결과는 가명정보의 활용 단계별 의사결정에 참조 기준을 제공한다. 기관 내부에서 통계 분석이나 모델 개발에 활용하는 경우처럼 접근이 통제되는 환경에서는 유용성 손실이 작은 수준2가 적합하며, ROC-AUC와 KS-통계량은 처리 후에도 필요한 유용성이 유지되는지를 사전에 점검하는 지표로 쓸 수 있다. 반면 데이터를 제3자에게 제공하거나 서로 다른 기관의 데이터를 결합하는 경우처럼 처리자의 통제를 벗어나는 환경에서는 재식별 위험이 낮은 수준3이나 합성 데이터가 적합하다. 특히 가명정보 결합 시 결합전문기관을 통한 반출 심사가 이루어지는데, 이때 DCR 평균과 위험 레코드 수는 반출 데이터가 원본과 지나치게 유사하지 않 은지를 정량적으로 확인하는 기준으로 활용될 수 있다.

물론 본 연구의 한계 역시 분명하다. 가장 큰 제약은 데 이터다. 분석이 금융 고객 이탈 예측이라는 단일 데이터셋에 기초하고 있어, 결과를 다른 도메인에 그대로 옮기기는 어렵다. 특히 도메인에 따라 상충관계의 양상이 달라질 수 있는 구조적 이유가 존재한다. 본 연구의 데이터는 신용점 수, 잔액, 급여처럼 연속적이고 분포가 넓은 수치형 변수가 중심이어서 범주화에 따른 정보 손실과 안전성 향상이 비교적 완만하고 단계적으로 나타났다. 반면 보건의료 데 이터는 진단코드․검사항목처럼 범주형이거나 희소한 변 수가 많아, 범주화 시 유용성이 급격히 손실되거나 특정 값이 소수 레코드에 집중되어 재식별 위험이 비선형적으로 변할 수 있다. 공공행정 데이터는 지역․소속․자격 등 준식별자 조합이 많아, 동일한 처리 강도에서도 재식별 위 험 구조가 본 연구와 다르게 나타날 가능성이 크다. 따라 서 본 연구가 관측한 강도별 상충 곡선의 형태나 최적 강도 구간이 다른 도메인에서 그대로 재현된다고 보기는 어 려우며, 변수 구성과 준식별자 구조가 상이한 도메인 각각에서 독립적인 실증이 선행되어야 한다. 기법의 폭도 제한 적이었다. 가명처리는 범주화 한 가지에 한정했으며, 마스 킹․총계처리․노이즈 추가 등 다른 비식별 기법에서 상 충관계가 어떤 양상으로 나타날지는 본 연구의 범위를 넘는 질문이다. 합성데이터의 경우 에포크 확장을 통해 학습 조건의 영향을 일부 검토하였으나, 배치 크기나 신경망 구 조 등 그 밖의 하이퍼파라미터까지 포괄한 최적화는 다루 지 못했다. 향후에는 분석 도메인과 기법의 폭을 넓히는 한편, 처리 목적에 맞춰 적정 강도를 선택할 수 있는 정량 적 의사결정 틀을 구체화해 나가고자 한다.