본 논문은 의료, 기업 운영, 고객 분석 등 다양한 분야에서 사용되는 합성 테이블 데이터를 평가하는 새로운 방법론을 제시한다. 기존 평가 방법들이 분포 유사성이나 예측 성능에 초점을 맞춘 반면, 본 연구는 합성 데이터로 학습된 모델이 실제 데이터로 학습된 모델과 일관된 추론 패턴을 따르는지 평가하는 '의미론적 충실성'에 주목한다. 이를 위해, 실제 및 합성 데이터로 학습된 분류기로부터 도출된 SHAP (SHapley Additive exPlanations) 속성 벡터 간의 코사인 거리를 계산하는 새로운 지표인 SHAP 거리를 제안한다. 다양한 실제 데이터셋에 대한 실험을 통해 SHAP 거리가 기존 지표들이 놓치는 의미론적 불일치를 효과적으로 감지함을 보여준다.
