PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.03524v1cs.AI

벤치마크에서 프로덕션까지: 복잡한 금융 데이터를 위한 Text-to-SQL 시스템

From Benchmarks to Production: A Text-to-SQL System for Complex Financial Data

범용 Text-to-SQL 시스템은 스키마가 비교적 얕고 열 값이 사람이 읽을 수 있는 경우가 많은 Spider 및 BIRD와 같은 학술 벤치마크(benchmark)에서 강력한 성능을 달성합니다. 하지만 개념이 사람이 읽을 수 있는 문자열 대신 불투명한 정수 키로 저장되는 프로덕션 금융 데이터베이스에서는 간단한 쿼리조차 여러 번의 조인(join)이 필요하고 필터 조건식이 불투명한 ID를 참조하기 때문에 이러한 방법들의 성능은 50% 미만으로 떨어집니다. 본 논문에서는 세 가지 핵심 구성요소를 통해 이러한 격차를 좁히는 도메인 특화 Text-to-SQL 시스템인 FLINT(Financial LINking Text-to-SQL)를 제시합니다: (1) 자연어 개념을 질문별 참조 테이블 제약 조건으로 동적으로 해결하는 룩업 에이전트(agent), (2) 전문가가 작성한 간결한 뱅크로부터 구조적으로 유사한 쿼리 템플릿을 임베딩(embedding) 기반으로 검색하는 기능, (3) 이름 유사성에만 의존하지 않고 외래 키(foreign-key) 체인을 탐색하여 대규모 테이블 스키마를 관련 하위 집합으로 정리하는 스키마 링킹. 프로덕션 금융 스키마에 대한 총 359개 질문으로 구성된 두 개의 데이터셋(dataset)에서 이를 평가합니다. FLINT는 동일한 대규모 언어 모델(LLM)을 사용하면서 다양한 최신 베이스라인(baseline)보다 뛰어난 성능을 보입니다. 이 시스템은 금융 데이터 검색 서비스의 일부로 프로덕션에 배포되었습니다.

arXiv:2605.28198v2cs.LG

계층적 합성 테이블 데이터 생성: 하이브리드 하향식·상향식 프레임워크

Hierarchical Synthetic Tabular Data Generation: A Hybrid Top-Down and Bottom-Up Framework

기존 합성 테이블 데이터 생성 접근법은 순수 생성 모델 또는 대규모 언어 모델(LLM)에 기반하며, 둘 다 데이터 이질성, 논리적 일관성, 희귀 사건 커버리지, 저데이터(low-data) 구간에서의 견고성(robustness) 문제에 어려움을 겪는다. 본 논문에서는 의미 구조(semantic structures)를 확률적 텍스처(stochastic texture)로부터 분리하는 계층적 하이브리드 하향식·상향식(H-TDBU) 프레임워크를 제안한다. 하향식 경로에서는 구조 기반 논리적 제약과 크로스 모달(cross-modal) 정렬(alignment) 규칙을 구성하고, 상향식 경로에서는 경량 테이블 생성기를 사용해 실제 데이터로부터 국소 통계 패턴을 학습한다. 두 경로는 반복적 피드백 루프가 있는 통합 합성 엔진에서 통합된다. 이 프레임워크를 테이블 데이터와 감성 텍스트 데이터를 결합한 약한 멀티모달(weak multimodal) 금융 벤치마크에서 평가한다. 실험 결과는 H-TDBU 접근법이 의미적 일관성을 유지하면서 신경망 기준선 방법 대비 train-synthetic-test-real 성능을 향상시킴을 보여준다. 결과는 계층적 규칙 기반 합성이 합성 데이터 생성에서 제어 가능성(controllability), 의미적 일관성(semantic coherence), 통계적 충실도(statistical fidelity)를 결합하는 효과적인 메커니즘을 제공함을 시사한다.

arXiv:2606.28674v1cs.LG

금융을 위한 제약 기반 표형식 확산 모델

Constrained Tabular Diffusion for Finance

금융 분야의 생성 모델은 현실적인 데이터를 생성하는 동시에 엄격한 규제 및 경제적 목표를 만족시켜야 하는 이중 과제에 직면해 있으며, 이는 표준 표형식 확산 모델(tabular diffusion model)이 제공할 수 없는 요건이다. 이 문제를 해결하기 위해 우리는 금융 애플리케이션에서 혼합 유형 표형식 확산과 샘플링 시점 실현 가능성 연산을 새롭게 통합한 금융을 위한 제약 기반 표형식 확산 모델(CTDF, Constrained Tabular Diffusion for Finance)을 소개한다. 역방향 확산 샘플링 루프에 학습 불필요(training-free) 실현 가능성 연산자를 도입함으로써, CTDF는 시뮬레이션, 법적 규정 준수, 외삽(extrapolation) 등의 애플리케이션에 대해 하드 제약 조건을 강제한다. 대규모 금융 데이터셋에 대한 광범위한 실험에서 제약 위반이 전혀 발생하지 않았으며 희소 데이터 활용도가 향상되었음을 입증한다. CTDF는 신뢰할 수 있고 규정을 준수하는 합성 데이터를 생성하는 견고한 방법을 확립하여, 금융 도메인에서 엄밀한 생성 모델링 및 분석을 위한 새로운 가능성을 열어준다.