인종 간 격차를 추정하려면 개인 수준의 인종 데이터가 필요하나, 이러한 정보 수집의 민감성으로 인해 종종 이용 불가능합니다. 이 문제를 해결하기 위해 많은 연구자들이 인구조사 (Census) 성씨 데이터를 기반으로 한 베이즈 개선 성씨 지리코딩 (BISG) 을 활용해 왔습니다. 불행히도, 이러한 데이터는 일반적인 성씨에 대해서만 인종-성씨 관계를 포착할 뿐이며, 미국 인구의 약 10% 를 제외합니다. 우리는 표준 BISG 구현이 이러한 경우 무정보적 일반 사전분포 (uninformative generic prior) 에 의존하기 때문에, 누락된 비일반적인 성씨를 가진 개인의 예측 성능이 현저히 저하됨을 보여줍니다. 이 한계를 해결하기 위해, 인구조사에 포함되지 않은 이름에 대한 인종 확률을 추정하기 위해 사전 학습된 텍스트 임베딩 (pre-trained text embeddings) 을 사용하여 이름을 밀집 벡터로 표현하고, 2020 년 인구조사 성씨 및 이름 데이터를 기반으로 신경망을 훈련시키는 임베딩 기반 BISG (eBISG) 를 제안합니다. 우리는 다섯 가지 접근법을 비교합니다: 성씨만 사용하는 표준 BISG, 첫 번째 이름 확률을 포함하는 BIFSG, 목록에 없는 이름에 대한 성씨 임베딩, 두 가지를 결합한 성씨 및 첫 번째 이름 임베딩, 그리고 남부 주의 유권자 파일 (voter file) 데이터에서 훈련되어 이름 구성 요소 간의 상호작용을 포착하는 전체 이름 (full-name) 임베딩입니다. 우리는 각 후속 eBISG 접근법이 인종 예측을 개선함을 보여주며, 특히 인구조사 목록에 없는 성씨를 가진 히스패닉 및 아시아 유권자에게 있어 전체 이름 임베딩이 가장 큰 향상을 가져온다고 보여줍니다.