NVIDIA 쿠모 타불러, 표 예측 정확도·효율성 동시 향상

NVIDIA가 표적 예측을 위한 오픈 파운데이션 모델 Kumo Tabular를 공식 공개했다. Hugging Face와 GitHub를 통해 배포되는 본 모델은 상용이 가능한 OpenMDW-1.1 라이선스를 적용하며, 별도 학습이나 튜닝 없이 라벨이 지정된 표본 컨텍스트를 제공하면 신규 행의 분류 및 회귀 값을 단일 순전방 통과로 추론하는 제로샷 방식을 채택했다. 내부 아키텍처는 Transformer를 기반으로 열, 행, 인컨텍스트 Attention을 통합한 구조를 갖췄다. 셀 임베딩 단계에서 수치형과 범주형 값은 푸리에 피처를 통해 처리되며 누락값은 별도 대체 없이 고유하게 매핑된다. 행 임베딩에서는 열 분포 학습을 위한 induced Attention과 행 내 기능 상호작용을 포착하는 Rotary position-aware Attention을 교차 적용한다. 마지막으로 컨텍스트와 쿼리 간 Attention 분리 및 길이 인식 Attention 온도 조절을 통해 대규모 표 데이터에서도 추론 안정성을 확보했다. 학습 데이터는 오직 구조 인과 모델(SCM)을 통해 생성된 인공 표만으로 구성되었다. 수백만 건의 인공 표본은 다양한 결측 패턴, 이상치, 비정형 분포 등 현실 데이터의 불완전성을 의도적으로 반영하여 훈련됨에 따라 실제 배포 시 데이터 전처리 부담을 크게 줄일 수 있다. 모델은 2800만에서 2억 1500만 파라미터 규모로 제공되며, NVIDIA의 GPU 네이티브 라이브러리 sdm을 통해 최적화된 추론 환경을 제공한다. 평가 결과 Kumo Tabular는 TabArena, BeyondArena, TALENT, ScoringBench 등 전 주요 벤치마크에서 1위를 차지하며 정확도-효율성 프론티어를 개선했다. 단일 GPU 환경에서 기존 최상위 모델 대비 17배 이상 빠른 처리 속도를 기록했다. 현재는 수치형과 범주형 열만 기본적으로 지원하며 텍스트나 이미지는 별도 전처리를 통해 특징 벡터로 변환해야 한다. 훈련 분포와 현저하게 다른 데이터나 다중 클래스 예측 시에는 자체 검증이 필요하다는 점을 NVIDIA는 명시했다. 본 모델은 엔터프라이즈 머신러닝 파이프라인의 재학습 비용을 혁신적으로 절감시키고, 신뢰할 수 있는 구조 데이터 분석을 위한 새로운 표준으로 자리매김할 전망이다.