랭킹을 위한 공정성 인지형 확률적 다기준 수용성 분석(SMAA) 확장 모델

책임감 있는 인공지능 (Responsible Artificial Intelligence) 의제 하에서, 개인 또는 사회 집단이 포함된 랭킹 (ranking) 문제의 핵심적인 관심사는 공정성 (Fairness)이 되었습니다. 다기준 의사결정 분석 (Multi-Criteria Decision Analysis, MCDA)에서 확률적 다기준 수용성 분석 (Stochastic Multicriteria Acceptability Analysis, SMAA)은 불확실성과 불완전한 선호 정보 (preference information)를 처리하기 위한 강력한 프레임워크를 제공하지만, 결과적인 랭킹에서 공정성을 명시적으로 다루지는 않습니다. 본 논문은 랭킹 문제를 위해 SMAA를 공정성 인지형으로 확장한 SMAA-Fair를 제안합니다. 이 접근 방식은 SMAA에 의해 생성된 시뮬레이션된 랭킹들을 집단 공정성 (group fairness) 수준에 따라 재가중치 (reweights)를 부여하며, 이를 통해 더 공정한 랭킹이 수용성 지수 (acceptability indices)와 중심 가중치 벡터 (central weights vector)에 더 강력하게 기여하도록 합니다. 이 프레임워크는 집계 모델 (aggregation model)과 독립적이며 다양한 공정성 지표 (fairness metrics)를 통합할 수 있습니다. 본 연구에서는 통계적 패리티 (Statistical Parity), 정규화된 할인 쿨백-라이블러 발산 (normalized discounted Kullback--Leibler divergence, rKL), 그리고 정규화된 할인 누적 쿨백-라이블러 발산 (normalized discounted cumulative Kullback--Leibler divergence, nDKL)이 채택되었습니다. 랭킹은 기대 랭킹 (expected ranking) 및 최대 수용성 랭킹 (maximum acceptability ranking)을 사용하여 공정성이 조정된 수용성 행렬 (acceptability matrix)로부터 도출됩니다. 또한 우리는 얻어진 랭킹의 공정성 정도에 따라 중심 가중치 (central weight)를 도출합니다. 합성 데이터 및 실제 데이터를 이용한 수치 실험 결과, SMAA-Fair는 선호 불확실성 (preference uncertainty)에 대한 강건성 (robustness)을 유지하면서도, 유리한 랭킹 위치 내에서 보호 집단 (protected groups)의 표현력을 향상시킴을 보여줍니다.