PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2601.19595v2cs.LG

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.

arXiv:2606.07403v1math.OC

프록시 벤더스 분해

The Proxy Benders Decomposition

벤더스 분해는 복잡화 변수가 고정되면 훨씬 더 쉬운 부분문제를 산출하는 대규모 혼합정수 최적화 문제를 풀기 위한 기본 프레임워크이다. 하지만 전통적인 벤더스 분해는 매우 유사한 부분문제를 반복적으로 풀고, 반복 간에 지그재그 수렴 행동을 자주 보이며, 대규모 설정에서 느린 수렴을 초래한다. 벤더스 부분문제의 반복적 구조와 파라미터적 특성에서 동기를 받아, 본 논문은 부분문제 최적화를 반복적 정확 풀이 대신 인증된 최적화 프록시로 대체하는 새로운 분해 프레임워크인 프록시 벤더스 분해(Proxy-BD)를 제안한다. 제안된 프록시는 검증 가능하게 유효한 벤더스 절 생성을 위해 이중 실행 가능 솔루션을 산출하는 자기지도 예측-투영-완성 메커니즘을 따른다. 이 프레임워크는 투영 및 완성 인증 층을 통해 예측 품질과 관계없이 분해의 이론적 타당성을 유지한다. 프록시 유발 절의 형식적 특성화가 확립되며, 이 프레임워크는 분기 및 벤더스 절 알고리즘을 포함한 현대 분해 방식으로 자연스럽게 확장된다. 대규모 시설 입지 및 네트워크 설계 문제에 대한 계산 실험에서 Proxy-BD는 거의 최적인 솔루션 품질을 유지하는 동시에 부분문제의 계산 부담을 크게 줄인다. 최대 2000x2000 규모의 대규모 무용량 시설 입지 인스턴스에서 Proxy-BD는 중앙값 최적성 갭을 0.5% 미만으로 달성하고, 중앙값 속도 향상을 최대 161배 달성하며, 최대 인스턴스에서 생성된 절의 수를 240배 이상 줄인다. 계산 이득은 재결정 복잡도가 증가함에 따라 일관되게 커지며, 이는 대규모 분해 설정에서 프록시 기반 추론이 반복적 정확 부분문제 최적화보다 실질적으로 더 유리하게 스케일링된다는 것을 보여준다.