합성 데이터 증강이 점수 기반 불균형 분류를 개선하는 조건은 무엇인가
When Does Synthetic Data Augmentation Improve Score-Based Imbalanced Classification?
점수 기반 불균형 분류에서 합성 소수 클래스 증강이 AUROC, AUPRC 등 임계값 통합·최적화 지표를 개선하는 조건을 특성화하는 프레임워크를 제안하고, 증강 효과를 유효 클래스 가중치 변화와 합성·실제 소수 분포 불일치로 분리해 분석한다. 올바르게 명세된(well-specified) 점수 모델에서는 원시 추정량이 이미 가능도 비율 순서화를 목표해 모집단 수준 근본 개선은 제한적이나, 명세 오류(misspecification) 하에서는 유효 클래스 균형 조정이 순위 오류를 교정해 비자명한 개선을 낼 수 있으며 시뮬레이션이 이를 뒷받침한다.