DGIST, 데이터 삭제 뒤 추천 성능 저하 사용자군 찾아 보정하는 AI 개발
개인정보를 지우면서도 개인화 추천의 품질 저하를 줄이려는 인공지능 기술이 나왔다. 대구경북과학기술원(DGIST) 나노기술연구부 이상철 책임연구원 연구팀은 사용자 데이터 삭제 이후 추천 성능이 크게 낮아지는 사용자군을 자동으로 찾아 보정하는 기술을 개발했다고 밝혔다. 이상철 책임연구원은 DGIST 학제학과 인공지능전공을 겸무하고 있다.
이 연구가 다루는 핵심 개념은 ‘머신 언러닝(machine unlearning)’이다. 이미 학습을 마친 AI 모델에서 특정 훈련 데이터가 남긴 영향을 선택적으로 제거하는 기술이다. 이용자가 자신의 정보를 삭제해 달라고 요청했을 때 원본 데이터만 지우는 데 그치지 않고, 그 데이터가 모델의 판단 방식에 미친 영향까지 덜어내려는 접근이다.
미국 국립표준기술연구소(NIST)는 머신 언러닝을 학습된 모델에서 특정 훈련 데이터의 영향을 선택적으로 제거하는 기술로 정의한다. ‘근사 언러닝’은 모델을 처음부터 다시 학습하지 않고도 삭제 효과를 내는 방식을 포함한다. 이상적인 언러닝 결과는 삭제 대상 데이터를 제외하고 새로 학습한 모델과 구별되지 않아야 한다. 다만 현실에서는 요청한 데이터의 영향을 얼마나 충실히 없앴는지, 남은 데이터에서 성능을 얼마나 유지하는지, 계산 비용을 얼마나 줄이는지 사이에 상충관계가 생긴다.
추천시스템은 이 문제가 특히 복잡하다. 이용자와 상품·콘텐츠의 관계가 서로 얽힌 협업 정보를 이용하기 때문에 한 이용자의 기록을 제거한 영향이 다른 추천 결과에도 이어질 수 있다. 2022년 ACM Web Conference에 발표된 선행연구 ‘Recommendation Unlearning’도 일반적인 언러닝 방법을 추천시스템에 그대로 적용하기 어렵다고 지적했다. 이 연구는 데이터를 유사도에 따라 나눈 뒤 부분 모델을 학습하는 ‘RecEraser’를 제안했다.
DGIST 연구팀의 논문명은 ‘Ada-Comp: A Post-Retrain Strategy with Adaptive Compensation According to User Segments in GNN Recommender Unlearning’이다. GNN은 이용자와 추천 대상의 연결 관계를 그래프 형태로 학습하는 ‘그래프 신경망’을 뜻한다. 논문 제목에 따르면 Ada-Comp는 GNN 추천 모델의 언러닝 과정에서 사용자 구간에 따라 적응적으로 보정하는 사후 전략이다. 저자는 정유진과 이상철이다.
이 논문은 KDD 2026의 Undergraduate Consortium 공식 명단에 포함됐다. 공식 명단에는 Ada-Comp를 포함해 28편이 올라 있다. KDD-UC는 학부생이 주저자인 4~6쪽 분량의 연구논문을 심사해 피드백과 멘토링, 포스터 및 발표 기회를 제공하는 프로그램이다. KDD 본 학술대회의 Research Track과는 별도이며, 공식 안내에 따르면 선정자 가운데 실제로 참석한 사람의 논문은 온라인으로만 출판된다.
데이터 삭제 요구는 법적 권리와도 연결된다. 국내 개인정보 보호법 제36조는 정보주체가 개인정보의 정정·삭제를 요구할 권리와 필요한 경우 복구 또는 재생되지 않도록 삭제할 의무를 규정한다. 유럽연합 일반개인정보보호법 제17조도 삭제권을 두고 있지만 법적 의무, 공익, 연구, 법적 청구 등에는 예외를 인정한다. 다만 두 조문 모두 AI 모델의 매개변수에서 데이터 영향을 제거하는 머신 언러닝을 명시적으로 규정하지는 않는다.
영국 정보위원회도 훈련 데이터 삭제가 모든 모델의 폐기를 자동으로 뜻하지는 않는다고 설명한다. 결국 실제 적용에서는 원본 정보의 삭제와 학습 모델에 남은 영향의 처리 범위를 구분해 살펴야 한다. 이번 연구는 사용자마다 다르게 나타날 수 있는 추천 성능 저하를 찾아 보정한다는 방향을 제시했지만, 사용 데이터셋과 비교 알고리즘, 사용자군 분류 기준, 정확도 개선 폭, 재학습 시간과 연산량은 공개 확인되지 않았다. 따라서 실제 서비스에서 삭제 전과 같은 추천 성능이 유지되거나 모든 GNN 추천 모델에 적용된다고 단정할 수는 없다.
자료: 대구경북과학기술원(DGIST), ACM SIGKDD, 미국 국립표준기술연구소(NIST), Association for Computing Machinery(ACM), Google Research, 법제처 국가법령정보센터, 유럽연합 EUR-Lex, 영국 정보위원회(ICO)