MIFair: 교차성과 다중 클래스 공평성을 위한 상호정보 프레임워크

요약

MIFair는 기계 학습 모델의 공평성을 평가하고 완화하기 위해 상호정보(mutual information)에 기반한 통합 프레임워크입니다. 이 프레임워크는 기존 방법들이 어려움을 겪었던 교차성, 다중 클래스 설정, 복잡한 하위 그룹 구조를 자연스럽게 지원합니다. MIFair는 공평성을 통계적 독립성으로 정의하고, 다양한 공평성 개념과의 동등성을 입증하며, 단일 일관된 프레임워크로 여러 요구사항을 통합하여 실용성과 범용성을 크게 높였습니다.

핵심 포인트

• MIFair는 상호정보(mutual information)를 기반으로 편향 평가 및 완화 기능을 제공하는 통합 프레임워크입니다.
• 교차성, 다중 클래스 분류, 복잡한 하위 그룹 구조 등 기존 방법의 한계를 극복합니다.
• 공평성을 예측 변수와 민감 속성 간의 통계적 독립성으로 정의하여 정보이론적 기반을 강화했습니다.
• 다양한 공평성 요구사항을 단일 일관된 프레임워크로 통합하여 벤치마킹 및 사용 편의성을 높였습니다.