Core Concepts
다양한 인구통계학적 정보를 활용하여 관련 과제 간 공정성을 전이할 수 있다.
Abstract
이 논문은 다중 과제 학습(MTL) 방법을 활용하여 관련 과제 간 공정성을 전이하는 방법을 제안한다.
한 과제에서 인구통계학적 정보를 활용하여 공정성 손실 함수를 학습하고, 이를 다른 과제에 적용하여 공정성을 향상시킬 수 있다.
이를 통해 한 과제에서만 인구통계학적 정보를 가지고 있는 경우에도 다른 과제의 공정성을 향상시킬 수 있다.
또한 서로 다른 인구통계학적 정보를 가진 두 과제를 활용하여 교차적 공정성(intersectional fairness)을 달성할 수 있다.
실험 결과, 제안 방법이 기존 단일 과제 공정성 방법보다 성능 저하 없이 더 공정한 모델을 생성할 수 있음을 보여준다.
또한 과제 간 유사성과 무관하게 공정성이 전이될 수 있음을 확인했다.
Stats
환자 사망률 예측 모델의 성능은 62.1%이며, 공정성 지표 ϵ-DEO는 0.25이다.
표현형 분류 모델의 성능은 53.6%이며, 공정성 지표 ϵ-DEO는 0.28이다.
트위터 감성 분류 모델의 성능은 76.4%이며, 공정성 지표 ϵ-DEO는 0.33이다.
리뷰 감성 분류 모델의 성능은 84.5%이며, 공정성 지표 ϵ-DEO는 0.95이다.
리뷰 주제 분류 모델의 성능은 91.9%이며, 공정성 지표 ϵ-DEO는 1.42이다.
Quotes
"다양한 인구통계학적 정보를 활용하여 관련 과제 간 공정성을 전이할 수 있다."
"한 과제에서 인구통계학적 정보를 활용하여 공정성 손실 함수를 학습하고, 이를 다른 과제에 적용하여 공정성을 향상시킬 수 있다."
"서로 다른 인구통계학적 정보를 가진 두 과제를 활용하여 교차적 공정성(intersectional fairness)을 달성할 수 있다."