MIFair: 교차성과 다중 클래스 공평성을 위한 상호정보 프레임워크

기계 학습에서의 공평성은 윤리적 복잡성, 보편적 정의의 부재, 그리고 맥락에 따른 편향 지표의 필요성으로 인해 여전히 도전적인 과제로 남아있습니다. 기존 방법들은 여전히 교차성 (intersectionality), 다중 클래스 (multiclass) 설정, 그리고 제한된 유연성과 일반성에서 어려움을 겪고 있습니다. 이러한 격차를 해소하기 위해 우리는 상호정보 (mutual information) 에 기반한 편향 평가 및 완화의 통합 프레임워크인 MIFair 를 소개합니다. MIFair 는 Prejudice Remover 에서 영감을 받은 유연한 지표 템플릿과 처리 내 완화 (in-processing mitigation) 방법을 제공하며, 공평성을 예측에서 파생된 변수와 민감 속성 간의 통계적 독립성으로 정의합니다. 우리는 또한 널리 사용되는 독립성 (independence) 과 분리성 (separation) 과 같은 공평성 개념들과의 동등성을 확립함으로써 그 정보이론적 기반을 더욱 강화했습니다. MIFair 는 자연스럽게 교차성, 복잡한 하위 그룹 구조, 그리고 다중 클래스 분류를 지원하며, 선택된 지표에 따라 정규화 기반 학습을 통해 편향을 줄입니다. 그 핵심 장점은 다양성 (versatility) 입니다: 다양한 공평성 요구사항을 단일 일관된 프레임워크로 통합하여 일관된 벤치마킹을 가능하게 하고 실용적인 사용을 간소화합니다. 실제 세계의 표형 및 이미지 데이터셋에 대한 실험 결과, MIFair 는 평가된 모든 설정에서 강력한 예측 성능을 유지하면서 이전에 다루어지지 않았던 다속성 시나리오를 포함한 편향을 효과적으로 줄이는 것으로 나타났습니다.