혼합 정수 최적화를 통한 교차성 공정성
Intersectional Fairness via Mixed-Integer Optimization
금융 및 의료와 같은 고위험 영역에 인공지능(AI)을 배포하려면 공정하면서도 투명한 모델이 필수적입니다. EU의 AI 법(AI Act)을 비롯한 규제 프레임워크는 바이어스(bias) 완화를 의무화하고 있지만, 바이어스의 정의에 대해서는 의도적으로 모호한 태도를 취하고 있습니다. 기존 연구와 마찬가지로, 본 논문에서는 진정한 공정성을 달성하기 위해 보호 대상 집단의 교차점(intersection)에서 발생하는 바이어스를 다루어야 한다고 주장합니다. 이에 따라 혼합 정수 최적화(Mixed-Integer Optimization, MIO)를 활용하여 교차성 관점에서 공정하고 본질적으로 해석 가능한 분류기를 학습하는 통합 프레임워크를 제안합니다. 또한 가장 불공정한 하위 집단을 탐지하는 데 있어 두 가지 교차성 공정성 측정 지표(MSD 및 SPSF)의 동등성을 증명하고, 제안한 MIO 기반 알고리즘이 바이어스를 찾아내는 성능을 향상시킴을 실증적으로 보여줍니다. 교차성 바이어스를 허용 가능한 임계값 아래로 제한하는 고성능 해석 가능 분류기를 학습함으로써 규제 대상 산업 및 그 외 분야를 위한 견고한 솔루션을 제공합니다.