개인정보 비식별화에 따른 인공지능 모델 성능 영향 분석 연구

Analyzing the Impact of Data Anonymization on Artificial Intelligence Model Performance

초록

개인정보 데이터로 학습한 인공지능 모델은 실생활에 밀접하고 유용한 기능을 제공하여 다양한 분야에 활용되고 있지만, 개인정보 유출 문제는 인공지능 서비스가 해결해야 할 중요한 과제로 대두되고 있다. 이에 따라, 각국에서는 개인정보 데이터의 인공지능 활용 시 비식별화 적용을 의무화하도록 법과 가이드라인을 마련하고 있다. 비식별화는 개인정보의 안전성을 확보하지만, 비식별화 데이터를 인공지능에 활용했을 때 해당 모델의 성능에 중대한 영향을 미칠 수 있다. 본 연구는 이러한 개인정보 보호와 인공지능 모델 성능 간 균형 문제를 해결하기 위해 데이터 비식별화 강도를 선택할 수 있는 최적의 비식별화 수준 결정 방법을 제안한다. k-익명성 프라이버시 모델을 만족하는 다양한 수준의 비식별화 데이터로 학습된 로지스틱 회귀 모델 실험에서, k=2 수준에서 모델의 정확도 지표는 원본 데이터와 유사한 약 82.1%를 보였으나, k=5로 비식별화 수준이 강화되면 약 74.9%로 급격히 감소하고 이후 일정 수준(약 74–76%)으로 유지됨을 확인하였다. 특히, 소수 클래스의 recall은 급격히 저하되었으나, 클래스 가중치 조정 및 SMOTE기법 적용 시 성능 개선이 가능하여, 불균형 데이터 상황에서 추가 보정이나 익명화 수준 조정을 통해 보완할 수 있음을 보여준다.

키워드

개인정보; 비식별화; k-익명성; 로지스틱 회귀; Personal data; De-identification; k-anonymity; Logistic regression
제목
개인정보 비식별화에 따른 인공지능 모델 성능 영향 분석 연구
제목 (타언어)
Analyzing the Impact of Data Anonymization on Artificial Intelligence Model Performance
저자
박소연; 안성진
DOI
10.7472/jksii.2025.26.4.69
발행일
2025-08
유형
Y
저널명
인터넷정보학회논문지
권
26
호
4
페이지
69 ~ 78