arXiv:2606.20461v1 cs.LG

커버리지 제약 조건 하의 데이터 바이어스 완화 및 공정성의 대가

Data Bias Mitigation under Coverage Constraints & The Price of Fairness

Bruno Scarone, Alfredo Viola, Renée J. Miller

제출 2026-06-18

한국어 초록

머신러닝 모델은 인종과 성별과 같은 여러 민감 속성이 중첩되는 개인에 대해 차별적인 결과나 성능 저하를 보이는 것으로 나타났습니다. 이는 부분적으로 바이어스(잠재적으로 교차적)를 정량화하기 위한 체계적인 측정 방법의 부재와 학습 데이터 내 교차적 하위 그룹의 표현이 부족하다는 두 가지 상호 관련된 문제에서 기인합니다. 우리는 교차적 하위 그룹을 포함하여 그룹 전반에 걸쳐 충분한 표현을 보장하는 커버리지 제약 조건을 통합하도록 최근의 바이어스 완화 프레임워크를 확장했습니다. 모든 그룹에 대해 정확히 제로 바이어스를 달성하는 것은 데이터 효율적이지 않을 수 있으므로(즉, 많은 양의 데이터가 필요할 수 있음), 우리의 솔루션은 커버리지 제약 조건을 충족하면서 바이어스의 작은 근사 오차를 더 큰 데이터 효율성과 교환합니다. 또한 우리는 바이어스 완화를 모든 완화 전략에 대해 최적화하는 정수 선형 계획법으로 공식화하고, 최소 데이터 수정 비용인 공정성의 대가를 공정성 허용치의 함수로 특성화합니다. 이는 규정이 특정 공정성 임계값을 의무화할 수 있는 법적 규정 준수와, 실무자가 바이어스 감소와 데이터 수정(특히 데이터 구매) 비용 사이의 정보에 입각한 트레이드오프를 수행할 수 있게 하는 데이터 거버넌스 모두에 필수적입니다. 우리는 공개 데이터셋에서 우리의 기법을 평가하여, 우리의 프레임워크를 통한 바이어스 완화가 여러 분류기에 걸쳐 예측 정확도를 유지하며, 통계적 고려 사항에서 동기가 부여된 커버리지 제약 조건이 다운스트림 ML 성능을 유지하는 데 필수적임을 보여줍니다.

원문 초록

Machine learning models have been shown to exhibit discriminatory outcomes or degraded performance for individuals at the intersection of multiple sensitive attributes, such as race and gender. This stems in part from two interrelated challenges: the lack of principled measures for quantifying bias (potentially intersectional), and insufficient representation of intersectional subgroups in training data. We extend a recent bias mitigation framework to incorporate coverage constraints that enforce sufficient representation across groups, including intersectional subgroups. Since achieving exactly zero bias for all groups may not be data efficient (meaning it may require large amounts of data), our solution trades small approximation errors in bias for greater data efficiency while satisfying coverage constraints. We also formulate bias mitigation as an integer linear program that optimizes over all mitigation strategies, and characterize the price of fairness, the minimum data modification cost, as a function of fairness tolerance. This is essential both for legal compliance, where regulations may mandate specific fairness thresholds, and for data governance, enabling practitioners to make informed trade-offs between bias reduction and data modification (particularly, data purchasing) costs. We evaluate our techniques on publicly available datasets, demonstrating that bias mitigation via our framework preserves predictive accuracy across multiple classifiers, and that coverage constraints, while motivated by statistical considerations, are essential for preserving downstream ML performance.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.20461v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26955v3cs.LG공통 태그 Fairness, Classification

사후 처리 공정성 제약이 도움이 될 때와 해가 될 때: 8개 교차 도메인 평가로부터의 근거

When Post-Processing Fairness Constraints Help and When They Harm: Evidence from Eight Cross-Domain Evaluations

프로덕션 ML에서 공정성 감사는 보통 배포 시점에 한 번, 단일 도메인에 대해서만 수행된다. 실제로는 둘 다 한계가 있다. 재학습이나 사용자층 변화 이후 공정성이 달라질 수 있고, 한 데이터셋에서 검증된 개입은 조직이 배포하는 이질적 도메인 전반에서 거의 검증되지 않는다. 우리는 FAPE(Fairness Auditing for Production Environments)를 제시한다. 이는 Fairlearn의 ThresholdOptimizer라는 단일 사후 처리 개입을 8가지 도메인 평가—형사 사법, 소득 예측, 법학 입학, 신용 대출, 농업 대출, 다중 도메인 벤치마크 코퍼스, 의료, 교육—에서 평가하는 4단계 프레임워크이다. 각 평가는 인구통계적 균등(demographic parity)과 균등 오즈(equalized odds) 차이, 그리고 계산 가능한 경우 차등 영향 비율(disparate impact ratio)과 정확도 비용으로 채점된다. 개입 효과는 기준선 불균형의 크기를 따른다. 모델-도메인 쌍 전반에서 제약은 불균형이 큰 14건 중 9건에서 불균형을 개선했고, 거의 공정한 4건 중 3건에서는 악화시켰다. 불균형이 큰 예외 5건 각각은 최소 집단 크기 또는 홀드아웃 데이터에 맞춘 임계값이라는 두 측정 점검 중 하나에서 결과가 뒤집힌다. 배포 시 시작한 CUSUM 모니터를 시뮬레이션된 분포 변화에 대해 검증한 결과, 0.1 parity 관례를 한 번도 충족하지 못한 제약 모델과 충족했다가 이후 퇴행한 모델을 구분한다. 따라서 배포 시점의 단일 감사는 신뢰할 수 있는 지표가 아니며, 이는 기준선 불균형 스크리닝과 지속적 모니터링을 뒷받침한다.

arXiv:2610.01963v1cs.AI공통 태그 Fairness, Classification

임상 중증도 분류를 위한 오픈소스 대규모 언어 모델의 반사실적 바이어스 감사

Counterfactual Auditing of Bias in Open-Source Large Language Models for Clinical Triage

응급실(ED) 중증도 분류(triage)는 인구통계학적, 사회경제적 및 시스템적 맥락 정보가 중증도 지정에 부적절한 영향을 미칠 수 있는 중대한 우선순위 결정 작업입니다. 로컬 환경 및 개인정보를 보호하는 임상 의사결정 지원을 위해 오픈소스 대규모 언어 모델(LLM)의 활용이 점차 고려되고 있으나, 모델 제품군, 크기, 의료 도메인 모델 및 도메인 특화 적응 모델 전반에서 반사실적 바이어스가 어떻게 달라지는지는 여전히 불분명합니다. 본 논문에서는 소아 응급 중증도 지수(ESI) 예측을 위해 10개의 오픈소스 LLM을 대상으로 비교 반사실적 감사를 제시합니다. 실제 임상 사례 및 핸드북 스타일의 임상 비네트에서 출발하여, 임상적 증상은 고정한 채 주입된 인구통계학적, 사회경제적, 의료 접근성, 행동적, 사회적 또는 시스템 맥락 변수 중 단 하나만 변경한 쌍 형태의 반사실적 변형을 구성합니다. 대상 모델에는 Qwen2.5-7B, Qwen2.5-14B-Instruct, QLoRA 파인튜닝된 Qwen2.5-7B, MedGemma 변형들, MedLLaMA2-7B, GPT-OSS-20B 및 GPT-OSS-120B가 포함됩니다. 본 연구에서는 모든 반사실적 변화, 과소 분류(undertriage), 과대 분류(overtriage), 1단계 이상의 ESI 수준 변화, 평균 변화 및 평균 절대 변화를 측정합니다. 반사실적 민감도는 상당한 차이를 보였으며 모델 크기 증가나 의료 도메인 사전학습에 따라 일관되게 감소하지 않았습니다. 파인튜닝된 Qwen2.5-7B는 베이스 모델의 전체 변화율 16.02% 및 평균 절대 변화 0.1706에 비해, 5.27%의 전체 변화율과 0.0534의 평균 절대 변화를 기록하며 전반적으로 가장 낮은 민감도를 보였습니다. 몇몇 대형 모델 또는 의료 도메인 모델은 더 유의미한 변화를 보였습니다. 층화 및 상관 분석을 통해 집계된 수치에 가려졌던 임상적으로 중요한 방향성과 공통된 실패 패턴 또한 추가로 밝혀냈습니다. 이러한 결과는 임상 배포 전에 오픈소스 LLM의 공정성 위험을 비교하기 위한 경량화되고 임상적으로 해석 가능한 프레임워크로서 반사실적 감사를 지지합니다.

arXiv:2609.26652v1math.ST공통 태그 Fairness, Classification

조건부 대표 모니터링 및 분류를 위한 문맥 적응형 임계값 설정

Context-Adaptive Thresholding for Conditionally Representative Monitoring and Classification

일반적으로 분류기(classifier)와 모니터링 절차는 오분류율과 같은 목적 함수를 최적화(optimization)하여 레이블이 지정된 데이터로부터 학습(training)됩니다. 이는 중요한 외생 변수가 주어졌을 때 결과(레이블)의 조건부 분포가 모집단의 조건부 법칙과 달라져 비대표적인(unrepresentative) 조건부 분포를 초래할 수 있습니다. 본 연구에서는 오경보율(false alarm rate)을 유지하면서 민감도(sensitivity)를 분배하기 위해 공변량 $Z$(문맥)에 맞춰 임계값을 적응시킴으로써, 임의의 주어진 임계값 형태 분류기 및 모니터링 규칙을 수정하여 대표성 있는 조건부 레이블 예측을 달성하는 방법을 제시합니다. 경보 이벤트가 알려지지 않은 경우, 이 접근법은 임계값 설정 규칙 관점에서 해당 이벤트를 (근사적으로) 추론(inference)할 수도 있게 합니다. 이 접근법은 계산 비용이 저렴한 비모수적 추정 절차를 통해 구현되며, 그 특성은 경험적 과정 이론(empirical process theory)을 포함한 점근적 분포 이론 및 비점근적 오차 한계 관점에서 연구됩니다. 이러한 결과는 균일 신뢰대(uniform confidence bands), 함수형 가설 검정 및 변화 탐지 절차의 구성을 가능하게 합니다. 해석 가능한 머신러닝에서 자주 사용되는 잘 알려진 FICOS 신용 평가 예시에서, 임계값 적응은 일반적인 분류 평가 지표 측면에서 트랜스포머(transformer)를 포함한 최신(SOTA) 방법들과 견줄 수 있는 쉽게 해석 가능한 결정 규칙으로 이어집니다.

arXiv:2609.23983v1cs.CV공통 태그 Fairness, Classification

아프리카 뇌 MRI에서 신경영상 파운데이션 모델의 일반화 성능 평가

Evaluating the Generalization of Neuroimaging Foundation Models on African Brain MRI

주로 서구권 코호트로 구성된 대규모 데이터로 사전학습(pre-training)된 신경영상 파운데이션 모델(foundation model)이 뇌 MRI 분석을 위한 범용 백본(backbone)으로 점점 더 많이 제안되고 있다. 그러나 이러한 모델이 대표성이 낮은 임상 집단에 대해 일반화될 수 있는지는 아직 대부분 검증(validation)되지 않았다. 본 연구에서는 최근 발표된 4개의 파운데이션 모델(BrainIAC, Neuro-JEPA, NeuroVFM, Primus)을 나이지리아 임상 뇌 MRI 데이터셋(dataset)에서 얻은 88명 피험자 코호트를 대상으로, 네 가지 모달리티 구성(T1w, T2w, T1w+T2w, FLAIR)에 걸쳐 대조군(Control), 치매(Dementia), 파킨슨병(Parkinson's disease)을 구분하는 3가지 분류(classification) 진단 과제에서 평가하고, 엔드투엔드(end-to-end)로 학습된 ViT3D 기준선(baseline)과 비교한다. 동결(frozen)된 백본들은 다수 클래스 예측으로 붕괴하는 반면, FLAIR에서의 Neuro-JEPA는 다소 완화되었으나 여전히 제한적인 판별력을 보인다. 반면 엔드투엔드로 학습된 ViT3D는 모든 과제에서 더 높은 정확도와 MCC를 달성하며(최대 정확도 53.4%, MCC=0.27), 유의미한 재현율(recall)을 보이는 유일한 모델이다. 이러한 결과는 동결된 신경영상 파운데이션 모델들이 규모가 작은 비서구권 임상 코호트에서의 세밀한 진단 분류에는 충분하지 않음을 시사하며, 글로벌 헬스(global health) 환경에서의 공평한 배포를 위해 매개변수(parameter) 효율적인 적응(adaptation)과 더 폭넓은 다기관 외부 검증의 필요성을 제기한다.

arXiv:2607.21647v1cs.LG공통 태그 Fairness, Classification

지능형 서비스를 위한 드리프트 안정 양자 연합 학습

A Drift Stable Quantum Federated Learning for Intelligent Services

양자 연합 학습(quantum federated learning)은 분산 클라이언트가 로컬 데이터를 공유하지 않고 양자 신경망(quantum neural networks)을 학습할 수 있게 하며, 이는 프라이버시를 고려한 지능형 서비스에 유망한 접근법이다. 이 맥락에서 지능형 서비스는 사기 탐지와 유전체 분류와 같이 프라이버시에 민감한 분산 의사결정 시스템을 가리키며, 여기서는 신뢰할 수 있고 공정한 클라이언트 수준 학습이 집계 모델의 정확도만큼 중요하다. 그러나 이질적인 클라이언트 데이터와 노이즈가 많은 양자 최적화(optimization)는 종종 불안정한 로컬 업데이트, 클라이언트 드리프트(client drift), 그리고 클라이언트 간 불공정한 성능을 야기한다. 본 논문은 deep-unfolded 로컬 최적화에 기반한 드리프트 안정 양자 연합 학습 프레임워크인 DUQFL-Prox를 제안한다. 고정된 로컬 옵티마이저를 사용하는 대신, 각 클라이언트는 적응형 unfolded SPSA 업데이트를 수행하며, proximal term은 로컬 모델을 글로벌 모델에 가깝게 유지한다. 경량 컨트롤러는 집계 후 성능을 개선하기 위해 단계별 최적화 매개변수를 학습한다. 금융 사기 탐지 및 유전체 분류 작업에 대한 실험은 DUQFL-Prox가 표준 QFL(양자 연합 학습) 베이스라인 대비 안정성, 일반화, 클라이언트 공정성을 개선함을 보여준다. 결과는 deep-unfolded 양자 연합 학습이 이질적인 분산 환경에서 더 신뢰할 수 있고 공정한 지능형 서비스를 지원할 수 있음을 시사한다.

arXiv:2607.21255v1cs.CL공통 태그 Fairness, Classification

slang.gr: 비표준 그리스어 대규모 크라우드소싱 자원

slang.gr as a Large-Scale Crowdsourced Resource for Non-Standard Greek

슬랭은 일상 언어의 핵심 구성 요소로, 언어적 창의성, 사회적 정체성, 문화적 변화를 반영하지만, 그 역동적이고 비표준적인 특성 때문에 계산적으로 모델링하기 어렵다. 우리는 그리스어 비표준 언어의 크라우드소싱 사전인 slang.gr에 대한 최초의 대규모 계산 연구를 제시하며, 어휘 내용, 사용자 생성 태그, 상호작용 데이터를 결합한다. 체계적 분석을 가능하게 하기 위해, 우리는 노이즈가 많은 폴크소노미(folksonomic) 태그를 의미 범주와 사회언어학적 메타데이터를 모두 포착하는 구조화된 다층 분류체계에 매핑한다. 이 표현을 사용하여, 우리는 그리스어 슬랭의 언어적 구조와 기여자 커뮤니티의 행동을 분석한다. 우리는 슬랭이 인물 관련 및 평가적 언어에 강하게 집중되어 있고, 높은 형태론적 창의성을 보이며, 짧은 사용자 수명과 겹치는 커뮤니티를 특징으로 하는 매우 치우친 참여에 의해 형성됨을 발견한다. 이러한 신호를 바탕으로, 우리는 사용자 역할, 상호작용 패턴, 중재 신호를 통합하는 정의에 대한 커뮤니티 기반 신뢰도 점수를 도입한다. 우리의 결과는 분류체계 기반 표현이 행동 구조의 의미 있는 측면을 유지하면서 해석 가능성을 향상시키며, 신뢰도 신호에 대한 보다 구조화되고 해석 가능한 분석을 가능하게 함을 보여준다. 전반적으로, 본 연구는 slang.gr를 비표준 그리스어를 위한 계산 자원으로 확립하고, 사회언어학적 자연어 처리(NLP), 바이어스 분석, 대규모 언어 모델(LLM)에서의 비공식 언어 연구를 위한 기반을 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.