Generating Logically Consistent Synthetic Supply Chain Data with LLM-Driven Knowledge Graph Reasoning

기술 요약: LLM 기반 지식 그래프 추론을 활용한 논리적으로 일관된 합성 공급망 데이터 생성

문제 제기
합성 데이터는 공급망 분석에서 데이터 부족 및 프라이버시 장벽을 해결하기 위해 점점 더 널리 사용되고 있습니다. 그러나 기존 표형 생성 모델 (GAN, 확산 모델, LLM 기반 생성기 등) 은 주로 주변 분포와 상관관계를 재현하는 통계적 충실도에 최적화되어 있을 뿐, 실제 세계의 공급망 프로세스를 지배하는 운영 논리를 보존하는 데는 미흡합니다. 그 결과, 생성된 레코드는 시간적 순서 (예: 주문 날짜보다 앞서는 배송 날짜), 수학적 의존성 (예: 총액이 가격 × 수량과 일치하지 않음), 계층적 분류 체계 (예: 잘못된 국가에 매핑된 도시) 와 같은 기본 제약 조건을 위반하는 경우가 많습니다. 저자들은 합성 데이터가 운영 시뮬레이션과 의사결정을 지원하려면 공급망 데이터의 "물리법칙", 즉 레코드를 운영상 타당하게 만드는 구조화된 도메인 특화 규칙을 준수해야 한다고 주장합니다. 현재 방법론들은 이러한 스키마 특정 제약을 명시적으로 발견하거나 강제하지 못하여, 통계적으로는 현실적이지만 논리적으로는 유효하지 않은 데이터를 초래합니다.

방법론: TabKG 프레임워크
본 논문은 논리적으로 일관된 합성 표형 데이터를 생성하도록 설계된 지식 그래프 기반 프레임워크인 TabKG를 소개합니다. 이 접근법은 다섯 가지 명확한 단계를 통해 작동합니다:

1. 메타데이터 직렬화: 입력 테이블 스키마의 열 이름과 설명을 자연어 프롬프트로 직렬화합니다.
2. 다중 LLM 앙상블 그래프 구축: 열 간 의존성을 표현하기 위해 열 관계 지식 그래프 (CR-KG) 를 구축합니다. 단일 모델에 의존하는 대신 TabKG 는 다수결 투표를 수행하는 $K$개의 대규모 언어 모델 (LLM) 앙상블을 활용합니다. 각 LLM 은 계층적 (H), 수학적 (M), 시간적 (T), 또는 의미적 (S) 유형으로 분류된 열 간 후보 간선 (관계) 을 제안합니다. 간선은 모델 다수가 제안할 경우에만 유지됩니다.
3. 데이터 기반 검증 및 가지치기: 후보 그래프는 실제 데이터셋을 대상으로 검증되어 환각되거나 지지되지 않는 간선을 제거합니다. 유형별 검증기는 각 간선에 대해 신뢰도 점수 $\sigma(e)$를 계산합니다:
   • 계층적: 기능적 종속성을 확인합니다 (소스가 대상을 고유하게 결정하는가?).
   • 수학적: 실제 행에서 공식 정확도를 평가합니다.
   • 시간적: 순서 위반 여부를 확인합니다.
   • 의미적: 조건부 규칙 만족률을 평가합니다.
     점수가 임계값 (기본값 $\theta = 0.90$) 이하인 간선은 가지치기되어 검증된 CR-KG 를 생성합니다.
4. 그래프 기반 압축 및 생성: 검증된 그래프는 최소한의 독립 열 집합 ($V_{keep}$) 을 식별하기 위해 방향성 비순환 그래프 (DAG) 로 변환됩니다. 종속 열은 압축됩니다. 잠재 점수 기반 확산 모델은 오직 독립 열에만 훈련되어 합성 압축 데이터 ($X'_c$) 를 생성합니다.
5. 지식 그래프 기반 해제 압축: 생성된 독립 열에 검증된 관계를 결정론적으로 적용하여 전체 합성 데이터셋을 재구성합니다. 종속 열은 (계층적/의미적 경우) 룩업 테이블, (수학적 경우) 폐형 공식, 또는 (시간적 경우) 가산 시간 오프셋을 사용하여 복원됩니다. 이를 통해 논리적 일관성이 암묵적으로 학습되는 것이 아니라 구성 단계에서 강제되도록 보장합니다.

주요 기여

• 운영 논리의 자동 발견: TabKG 는 수동 규칙 공학 없이 표형 스키마에서 열 간 공급망 논리의 지식 그래프 표현을 자동으로 구축하는 최초의 방법입니다. 이는 LLM 의 의미론적 지식과 경험적 데이터 검증을 결합합니다.
• 압축 - 재구성 파이프라인: 저자들은 독립 변수와 종속 변수를 분리하는 생성 파이프라인을 제안합니다. 확산을 통해 독립 열만 생성하고 종속 열을 결정론적으로 재구성함으로써, 프레임워크는 모든 검증된 운영 규칙이 출력에서 충족되도록 보장합니다.
• 종합적 평가: 이 프레임워크는 두 가지 산업 데이터셋 (소매 및 구매) 과 두 가지 하위 작업 (지연 배송 위험 예측 및 조달 상태 분류) 에서 평가되었으며, 충실도, 유용성, 프라이버시, 논리적 일관성을 측정했습니다.

실험 결과

• 논리 추론: 메타데이터에서 열 간 관계를 추론하는 작업에서 TabKG(동일 모델 앙상블인 DeepSeek 사용) 는 소매 데이터셋에서 0.897의 F1 점수를, 구매 데이터셋에서 0.945의 F1 점수를 기록했습니다. 이는 0.27 에서 0.55 범위에 그친 프롬프트 전용 베이스라인보다 훨씬 우수한 성과입니다.
• 논리적 일관성: TabKG 는 계층적 일관성 점수 (HCS) 와 다변량 종속 지수 (MDI) 에서 **97.84%–98.73%**를 달성하여, 계층적 작업에서 HCS 가 거의 0 에 수렴하는 경우가 많았던 최신 베이스라인 (CTGAN, TabDDPM, TabSyn, GReaT) 을 크게 능가했습니다.
• 데이터 유용성: 합성 데이터로 훈련하고 실제 데이터로 테스트하는 (TSTR) 분류 작업에서 TabKG 데이터로 훈련된 모델은 소매 71.90, 구매 63.45의 AUC 점수를 기록하여 다른 모든 생성 베이스라인을 능가했으며, 실제 데이터로 훈련된 모델의 성능을 약 75–82% 수준으로 유지했습니다.
• 충실도 및 프라이버시: TabKG 는 밀도 추정 및 상관관계 측면에서 최상위 베이스라인 (예: TabSyn) 과 비교 가능한 통계적 충실도를 유지하면서도 강력한 프라이버시 지표 (가장 가까운 레코드까지의 거리 및 분류기 두 표본 테스트) 를 달성하여 실제 레코드의 직접적인 암기를 방지했습니다.

의의 및 주장
본 논문은 TabKG 가 단순한 머신러닝 증강을 넘어 고충실도 공급망 시뮬레이션 및 운영 의사결정 지원으로 합성 데이터를 전환하는 기반을 제공한다고 주장합니다. 시간적 순서, 수학적 공식, 계층적 규칙과 같은 공급망 운영의 "물리법칙"을 명시적으로 보존함으로써 TabKG 는 통계적으로 현실적일 뿐만 아니라 운영상 유효한 데이터를 생성합니다. 이는 기존 방법론이 논리적 불일치로 인해 현실적인 시나리오에서 실패하는 데이터를 생성하는 중요한 격차를 해소합니다. 저자들은 TabKG 를 사전 훈련된 LLM 지식을 활용하여 맞춤형 규칙 라이브러리가 필요 없이 다양한 공급망 스키마 (소매, 조달, 제조) 에 적응할 수 있는 훈련 불필요, 스키마 무관 솔루션으로 위치시킴으로써, 공급망 4.0 에서의 시뮬레이션 및 자율 오케스트레이션을 위한 신뢰할 수 있는 합성 데이터 생성에 대한 조직의 진입 장벽을 낮춥니다.