核心概念
민감한 속성 정보가 제한적인 상황에서도 추천 시스템의 공정성을 보장할 수 있는 분포 강건 최적화 기법을 제안한다.
摘要
이 논문은 민감한 속성 정보가 제한적인 상황에서 추천 시스템의 공정성을 보장하는 방법을 제안한다. 기존 연구는 모든 민감한 속성을 활용할 수 있다는 가정 하에 공정성을 달성하려 했지만, 실제로는 프라이버시 문제나 데이터 수집의 한계로 인해 이를 충족하기 어렵다.
이 논문에서는 두 가지 핵심 아이디어를 제안한다:
- 민감한 속성 재구축 오류를 고려하여 재구축된 분포를 중심으로 한 불확실성 집합을 구축한다.
- 이 불확실성 집합 내에서의 최악의 경우 불공정성을 최소화하는 분포 강건 최적화 기법을 사용한다.
이를 통해 민감한 속성 정보가 제한적인 상황에서도 공정한 추천을 달성할 수 있다. 또한 일부 사용자가 민감한 속성 재구축을 허용하지 않는 경우에도 확장된 불확실성 집합을 활용하여 공정성을 보장할 수 있다.
統計資料
민감한 속성을 잘못 재구축할 확률은 실제 민감한 속성과 재구축된 민감한 속성의 차이로 상한을 설정할 수 있다.
재구축된 민감한 속성의 분포와 실제 분포의 차이는 총변동거리(TV distance)로 측정할 수 있다.
引述
"민감한 속성 정보가 제한적인 상황에서도 추천 시스템의 공정성을 보장할 수 있는 분포 강건 최적화 기법을 제안한다."
"재구축 오류를 고려하여 재구축된 분포를 중심으로 한 불확실성 집합을 구축하고, 이 불확실성 집합 내에서의 최악의 경우 불공정성을 최소화한다."
"일부 사용자가 민감한 속성 재구축을 허용하지 않는 경우에도 확장된 불확실성 집합을 활용하여 공정성을 보장할 수 있다."