기계학습 모델의 성능 저하는 학습 데이터의 불균형에서 비롯됩니다. 특히 소수 범주 데이터의 부족은 예측 정확도를 낮춥니다. 본 기술은 이러한 문제를 해결하기 위해 적대적 오토인코더(AAE)와 SMOTE(Synthetic Minority Over-sampling Technique)를 결합한 혁신적인 오버샘플링 방법을 제시합니다. AAE로 데이터의 잠재 변수 특징을 추출한 후, 해당 공간에서 SMOTE를 적용하여 소수 범주 데이터를 효과적으로 증강합니다. 이 과정을 통해 재구성된 학습 데이터는 소수 및 다수 범주의 균형을 맞추어 기계학습 모델의 정확도와 신뢰도를 획기적으로 향상시킵니다. 본 방법은 기존 오버샘플링 대비 우수한 성능을 입증합니다.