Power Decay 및 Similarity Filtering 도입으로 F1 Score 25% 개선

Context

KNN 기반 Risk Scoring 시스템에서 단순 Nearest Neighbor Aggregation으로 인한 노이즈 발생 및 낮은 예측 정밀도 문제 직면. Seed Pool의 클래스 불균형과 Embedding 공간 내 낮은 분리도가 모델 성능의 근본적 병목 지점으로 작용함.

Technical Solution

• Seed Pool 내 Black-to-White 비율을 10:1 이하로 유지하여 Prior-driven Signal 왜곡 방지
• Inter-class Similarity가 Intra-class Similarity보다 낮은 Embedding 분리도 검증을 통한 모델 유효성 확보
• Similarity 0.7 미만으로 유사도가 낮은 이웃을 제거하여 무작위 매칭에 의한 노이즈 차단
• 단순 Majority Vote 대신 Power Decay(p=8) 함수를 적용하여 고유사도 이웃에 가중치를 부여하는 Scoring 로직 설계
• Isotonic Regression 기반의 Calibration 적용으로 극단값에 쏠린 Score를 안정적인 확률값으로 변환