초록
기계 학습 분야에서 이미지와 텍스트의 사용이 널리 퍼져 있지만, 표 형식 데이터는 다양한 분야에서 여전히 널리 사용되고 있다. 기존의 딥러닝 모델인 합성곱 신경망(CNN)과 트랜스포머(Transformer)는 우수한 성능을 발휘하지만, 복잡한 사전 처리와 하이퍼파라미터 튜닝이 필요하여 접근성과 확장성에 한계가 있다. 본 연구는 구조적 상태공간 모델(Structured State-Space Model, SSM)을 기반으로 한 혁신적인 접근법인 MambaTab을 제안한다. SSM은 장거리 의존성(distant dependencies)을 가진 데이터로부터 효과적인 표현을 효율적으로 추출할 수 있는 강력한 능력을 지닌다. MambaTab은 최근 등장한 SSM의 일종인 Mamba를 활용하여 표 형식 데이터에 대해 엔드 투 엔드의 지도 학습을 수행한다. 다양한 벤치마크 데이터셋을 대상으로 실증적으로 검증한 결과, MambaTab은 최신 기준 모델들과 비교해 뛰어난 성능을 보이며 동시에 훨씬 적은 파라미터 수를 요구함을 입증하였다. MambaTab의 높은 효율성, 확장성, 일반화 능력 및 예측 성능 향상은 다양한 표 형식 데이터에 적용 가능한 가벼운 ‘플러그 앤 플레이(plug-and-play)’ 솔루션으로서의 잠재력을 보여주며, 더 넓은 실용적 응용 가능성을 열어줄 것으로 기대된다.