DGIST 이상철 책임연구원팀 'AI가 잊은 뒤' 생기는 추천 품질 저하 해법 제시

GNN 기반 추천시스템서 성능 하락 사용자군 찾아 추가 학습…머신 언러닝 한계 보완

[프라임경제] 개인정보 삭제가 인공지능 추천서비스의 다른 이용자에게 미치는 영향까지 분석해 대응할 수 있는 기술이 DGIST에서 개발됐다.

사진 왼쪽부터 DGIST 이상철 책임연구원, 정유진 학부연구생. ⓒ DGIST

대구경북과학기술원(DGIST)은 이상철 나노기술연구부 책임연구원(학제학과 인공지능전공 겸무) 연구팀이 데이터 삭제 이후 추천 결과에 변화가 발생한 이용자 집단을 찾아내고, 해당 집단의 성능을 회복시키는 AI 기술을 제시했다고 밝혔다.

연구에는 정유진 학부연구생이 제1저자로 참여했다. 해당 연구는 지난 8월 제주에서 열린 ACM KDD Undergraduate Consortium(KDD-UC 2026)에서 발표됐다. 올해 KDD-UC 2026에는 모두 28편의 연구가 선정됐다.

AI 서비스가 개인정보를 활용하는 범위가 넓어지면서 사용자가 자신의 정보 삭제를 요구했을 때 이를 기존 모델에서도 제거하는 기술의 중요성도 커지고 있다.

'머신 언러닝'으로 불리는 이 기술은 이미 학습을 마친 AI 모델에서 특정 데이터가 미친 영향을 없애는 방식이다. 개인정보 보호와 이용자의 ‘잊힐 권리’를 기술적으로 구현하기 위한 방법으로 활용 가능성이 높다.

문제는 데이터를 삭제한다고 해서 그 영향이 삭제 대상자에게만 머물지 않는다는 데 있다.

추천시스템처럼 이용자와 상품, 콘텐츠 등의 관계가 서로 연결돼 있는 환경에서는 한 사람의 데이터가 빠지면서 다른 이용자에게 제공되는 추천 결과에도 변화가 생길 수 있다. 

특히 그래프 신경망(GNN) 기반 시스템에서는 일부 이용자가 여러 집단을 이어주는 연결점 역할을 하기 때문에 데이터 삭제의 파급효과가 더욱 커질 수 있다.

연구팀은 이 같은 연결 구조에 착안해 데이터 삭제 이후 추천 성능이 크게 변한 이용자들을 찾아내는 방법을 연구했다.

그 결과 영향이 상대적으로 크게 나타나는 사용자군을 자동으로 선별한 뒤 필요한 이용자에게만 추가적인 학습을 적용하는 'Ada-Comp(Adaptive Compensation)' 방식을 제안했다.

모든 이용자를 대상으로 모델을 다시 학습하는 대신 실제 성능 저하가 발생한 집단을 찾아 보정한다는 것이 핵심이다. 이를 통해 개인정보 삭제라는 요구를 반영하면서도 삭제 과정에서 발생할 수 있는 불필요한 추천 품질 저하를 줄이는 접근법을 제시했다.

이번 연구는 머신 언러닝의 평가 범위를 한 단계 넓혔다는 데 의미가 있다.

기존에는 삭제 요청을 받은 데이터가 모델에서 제대로 제거됐는지가 주요 관심사였다면, 연구팀은 삭제 이후 다른 이용자들의 서비스 경험이 어떻게 달라지는지도 함께 살펴야 한다는 관점을 제시했다.

학부생 연구를 국제 학술 성과로 연결했다는 점도 눈길을 끈다. 정유진 학부연구생이 연구의 제1저자로 참여하고 이상철 책임연구원이 교신저자로 연구를 이끌면서 학부 단계의 연구 경험을 전문 연구진의 연구 역량과 접목했다.

특히 이상철 연구팀은 지난해에도 DGIST 학부생이 수행한 연구를 KDD Research Track에서 발표한 바 있다. 

당시 연구를 수행했던 이승언 졸업생에 이어 올해 정유진 학부연구생의 연구까지 KDD 무대에 오르면서 DGIST 학부생 연구의 연속적인 국제 학술 성과로 이어졌다.

이상철 책임연구원은 "AI가 개인정보를 잊는 것에 그치지 않고 데이터 삭제로 인해 다른 이용자의 서비스 품질이 낮아지는 문제까지 함께 고려해야 한다"며 "이번 연구가 이용자별 성능 차이를 줄이고 보다 신뢰할 수 있는 AI 시스템을 구현하는 데 도움이 되길 기대한다"고 밝혔다.