공정 머신러닝 (Fair Machine Learning) 모델의 사후 제어 가능성(Post-hoc controllability), 즉 학습 완료 후 공정성 (Fairness)과 정확도 (Accuracy) 사이의 트레이드오프 (Trade-off)를 조절할 수 있는 능력은 실제 배포 시 매우 가치 있습니다. 기존의 사후 처리 (Post-processing) 방식들은 이러한 사후 제어 가능성을 제공하지만 종종 심각한 정확도 저하를 겪는 반면, 처리 과정 (In-processing) 방식들은 효율적인 트레이드오프를 달성하지만 트레이드오프 비율이 변경될 때마다 계산 비용이 많이 드는 재학습 (Retraining)을 요구합니다. 사후 제어 가능성과 효율적인 트레이드오프를 모두 달성하기 위해, 본 논문에서는 경사 기반 최적화 (Gradient-based optimization) 접근 방식을 통해 사후 처리 공정 분류기 (Post-processing fair classifiers)의 트레이드오프 효율성을 개선할 수 있는 효과적인 특징 표현 (Feature representations)을 학습하는 새로운 공정 분류 (Fair classification) 알고리즘을 제안합니다. 실제 데이터셋에 대한 실험 결과, 제안된 방법은 재학습을 전혀 요구하지 않으면서도 처리 과정 (In-processing) 방식에 필적하거나 이를 능가하는 트레이드오프 효율성을 달성함을 입증하였습니다.