해석적 구조 모델링(Interpretive Structural Modeling, ISM)은 다기준 의사결정을 위한 대표적인 방법론이다. 다른 방법론 대비 ISM의 강점은 인과 관계를 모델링하는 능력, 요인의 이진 척도, 그리고 이를 통해 도출되는 계층적 표현에 있다. 전통적으로 모델링 과정은 합의가 도출될 때까지 주제별 전문가(SME)와의 반복적인 상호작용을 통해 수행된다. 그러나 이러한 과정은 지루하고 노동 집약적이며, 무엇보다도 수백 개의 변수를 다루는 연구로 ISM을 확장하는 데 한계가 있다. 대규모 언어 모델(LLM)을 불완전한 전문가로 활용하는 기존의 인과 그래프 탐색 연구를 바탕으로, 본 연구는 ISM을 위한 통합적 LLM-ISM 접근 방식을 탐구한다. 쌍별(pairwise), k-wise, 행별(rowwise), 전체 그래프(full graph) 탐색 방법론을 비교 및 평가하였다. 그 결과, ISM을 위한 인과 그래프 탐색 방법론 중 행별(SHD=160, F1-score=0.77) 및 전체 그래프 방식(SHD=135, F1-score=0.73)을 활용했을 때 가장 우수한 성능을 보이는 것으로 나타났다.
기존 테이블형 데이터 생성 방법은 실제 데이터와 합성 데이터 간의 통계적 분포 일치에 주로 집중하여 기저에 존재하는 인과 관계 보존을 간과하는 경우가 많습니다. 그 결과 생성된 샘플은 겉보기에 현실적으로 보일 수 있지만, 신뢰할 수 있는 다운스트림 분석에 필요한 인과 구조를 유지하지 못할 수 있습니다. 본 연구에서는 학습(training)과 생성 과정 모두에 인과적 지식을 명시적으로 통합하는 테이블형 데이터 합성용 인과 인식 생성 프레임워크인 CA-GAN을 제안합니다. CA-GAN은 먼저 실제 데이터에서 인과 그래프를 추출하여 구조적 사전 지식을 제공한 다음, 하위 생성기가 인과적 의존성에 따라 변수를 모델(model)링하는 그래프 조건부 Conditional WGAN-GP를 적용합니다. 더욱 중요하게는, 실제 데이터와 합성 데이터 간의 인과 그래프 불일치를 보상(reward) 신호로 취급하는 강화학습(reinforcement learning) 기반 목적 함수를 도입하여, 인과적 일관성이 샘플링 순서의 암묵적인 결과가 아닌 학습 과정에서의 명시적인 최적화 목표가 되도록 합니다. 14개의 합성 및 실제 데이터셋에 대한 광범위한 실험을 통해 CA-GAN이 뛰어난 다운스트림 유용성, 프라이버시 보호 및 데이터 품질을 달성하는 동시에 인과 관계 보존 측면에서 7개의 최신 베이스라인을 일관되게 능가함을 입증합니다. 이러한 결과는 CA-GAN이 기저의 인과 메커니즘을 보다 잘 반영하는 고품질 합성 테이블형 데이터를 생성하기 위한 효과적이고 실용적인 솔루션을 제공함을 보여줍니다.