본 논문은 의료 및 정밀 농업과 같은 다양한 분야에서 기술 발전을 저해하는 데이터 부족 문제를 해결하기 위해 심층 생성 모델(DGMs)을 활용한 합성 데이터 생성을 탐구합니다. 기존의 생성 학습 딜레마(fidelity, diversity, sampling efficiency)에 실제 적용을 위한 유용성(utility), 강건성(robustness), 프라이버시(privacy)를 추가하여 확장하고, 데이터 부족 환경에서 이러한 지표들을 평가하는 방법론을 제시합니다. VAE, GAN, Diffusion Model 세 가지 DGMs을 비교 분석하여 각 모델의 장단점과 적용 분야에 따른 최적 모델 선택에 대한 지침을 제공합니다. 특히 데이터 제약 조건 하에서 허용 가능한 모델 성능을 보장하는 데 중점을 두고, 데이터 부족 환경에서 생성 학습 딜레마를 평가합니다.
