Core Concepts
알고리즘 공정성 접근법과 사회적 복지 접근법은 근본적으로 다른 관점을 가지고 있으며, 이 두 접근법 간의 차이를 이해하고 통합하는 것이 중요하다.
Abstract
이 논문은 알고리즘 공정성 접근법과 사회적 복지 접근법을 비교하고 그 차이를 분석한다.
알고리즘 공정성 접근법은 사전에 정의된 집단 정체성(예: 인종, 성별)을 중심으로 알고리즘의 영향이 체계적으로 다르게 나타나는지를 분석하는 통계적 접근법이다. 대표적인 공정성 기준으로는 등화된 오즈(Equalized Odds), 거짓 부정률 평등, 거짓 긍정률 평등, 통계적 균등 등이 있다.
반면 사회적 복지 접근법은 개인이 자신의 정체성을 모르는 상태에서 사회를 구조화하는 방식을 고려한다. 이때 위험 회피적인 선호를 가정하면 공정성에 대한 선호가 도출된다. 집단 기반 공정성을 고려할 경우, 설계자는 집단 정체성 실현에 대한 위험 선호를 반영하여 문제를 해결한다.
이 두 접근법은 근본적으로 다른 관점을 가지고 있어 상충될 수 있다. 예를 들어, 사회적 복지 접근법의 최적 알고리즘이 알고리즘 공정성 기준을 만족하지 않을 수 있다. 이러한 차이는 접근법의 규범적 내용이 다르기 때문이며, 알고리즘 공정성 접근법을 사회적 복지 관점에서 정당화하기 어렵다.
이 논문은 이러한 두 접근법의 차이를 일반화하여 보여주며, 이를 통합할 수 있는 더 일반적인 틀을 제안한다. 이 틀에서는 공정성을 불공정성 측정 함수로 표현하며, 이를 통해 기존 접근법을 포괄할 수 있다.