Key points are not available for this paper at this time.
민감한 응용 프로그램에서 기계 학습의 사용 증가로 인해 데이터 개인 정보를 보존하고 잠재적으로 민감한 하위 집단 간의 공정성을 보장하는 알고리즘이 필요합니다. 개인 정보 보호와 공정성은 각각 광범위하게 연구되었지만, 이 둘의 공동 처리에 대한 이해는 부족합니다. 기존 연구에서는 이들을 상충하는 목표로 다루며, 여러 연구는 차별적 개인 정보 보호와 같은 강력한 개인 정보 보호 개념이 공정성을 필연적으로 타협한다고 제안합니다. 본 연구에서는 차별적 개인 정보 보호가 공정성 보장에 미치는 영향을 최소화하면서 공정성을 향상하는 파이프라인에 통합될 수 있음을 보여줌으로써 이 관점을 도전합니다. 우리는 인구 통계적 동등성 및 차별적 개인 정보 보호를 모두 시행하는 후처리 알고리즘인 DP2DP를 설계하였습니다. 우리의 분석 결과, 이 알고리즘이 본질적으로 동일한 속도(로그적 요소 증가)로 인구 통계적 동등성 목표로 수렴함을 보여주었습니다. 합성 데이터셋과 실제 데이터셋에서의 실험은 우리의 이론적 결과를 확인해 주며, 제안한 알고리즘이 최신의 정확도/공정성/개인 정보 보호 trade-off를 달성함을 보여줍니다.
Say et al. (Mon,)은 이 질문을 연구하였습니다.