Core Concepts
본 연구는 민감 속성과 설명 변수 간의 상관관계를 고려하여 공정성을 향상시키는 사전 처리 방법을 제안한다. 관찰 가능한 변수 Z가 민감 속성 S에 의해 영향을 받는 경우, 이를 고려하여 숨겨진 설명 변수 E의 분포를 추정하고 이를 바탕으로 공정한 결정을 내리는 방법을 제안한다.
Abstract
이 논문은 편향된 결정을 개선하기 위한 사전 처리 방법을 제안한다. 기존의 통계적 공정성 접근법은 정확도 저하와 실제 공정성 달성의 어려움이 있다. 이를 해결하기 위해 조건부 통계적 공정성과 기회 균등 등의 새로운 공정성 개념이 제안되었지만, 설명 변수 E가 직접 관측되지 않는 문제가 있다.
이 논문에서는 베이지안 추론과 기대-최대화(EM) 방법을 결합한 BaBE(Bayesian Bias Elimination) 접근법을 제안한다. BaBE는 P[Z|E,S]를 이용하여 E의 분포를 추정하고, 이를 바탕으로 공정한 결정을 내린다. 실험 결과, BaBE는 높은 정확도와 공정성을 달성하는 것으로 나타났다.
주요 내용은 다음과 같다:
EM 방법을 사용하여 E와 S의 독립성 가정 없이 E의 분포를 추정하는 최초의 접근법 제안
E의 추정값을 이용하여 공정성 지표(CSP, EO)와 정확도를 향상시키는 방법 제안
소스 데이터와 타겟 데이터 간 분포 차이에도 강건한 성능 검증
Stats
민감 속성 S와 설명 변수 E의 평균이 다른 데이터셋에서도 BaBE가 E의 분포를 잘 추정할 수 있었다.
BaBE는 E의 추정 정확도와 Y의 예측 정확도 모두에서 다른 방법들보다 우수한 성능을 보였다.
BaBE는 조건부 통계적 공정성(CSPD)과 기회 균등(EOD) 지표에서도 다른 방법들보다 우수한 성과를 달성했다.
Quotes
"BaBE는 높은 정확도와 공정성을 달성하는 것으로 나타났다."
"BaBE는 E의 추정 정확도와 Y의 예측 정확도 모두에서 다른 방법들보다 우수한 성능을 보였다."
"BaBE는 조건부 통계적 공정성(CSPD)과 기회 균등(EOD) 지표에서도 다른 방법들보다 우수한 성과를 달성했다."