불균형 학습 (Imbalanced learning)은 정형 데이터 (tabular data) 응용 분야에서 여전히 근본적인 과제로 남아 있습니다. 수십 년간의 연구와 수많은 알고리즘 제안에도 불구하고, 다양한 데이터 특성에 따라 서로 다른 불균형 학습 방법들이 어떻게 동작하는지에 대한 체계적인 경험적 이해는 여전히 부족한 실정입니다. 특히, 서로 다른 방법론 군 (method families)이 예측 성능, 다양한 데이터 특성 하에서의 강건성 (robustness), 그리고 계산 확장성 (computational scalability) 측면에서 어떻게 비교되는지는 여전히 불분명합니다. 본 연구에서는 정형 데이터 불균형 학습을 위한 대규모 경험적 벤치마크인 TILBench (Tabular Imbalanced Learning Benchmark)를 제시합니다. TILBench는 57개의 다양한 정형 데이터셋에 걸쳐 40개 이상의 대표적인 알고리즘을 평가하며, 이를 통해 광범위한 데이터 특성에 대해 200,000개 이상의 통제된 실험을 수행했습니다. 우리의 연구 결과는 모든 설정에서 일관되게 우세한 단일 방법론은 존재하지 않음을 보여줍니다. 대신, 불균형 학습 방법의 효과는 데이터셋의 특성과 계산 제약 조건 (computational constraints)에 강력하게 의존합니다. 이러한 발견을 바탕으로, 우리는 실제 응용 분야에서 적절한 방법을 선택하기 위한 실질적인 권장 사항을 제공합니다.