본 논문은 심층 학습 기반의 신뢰할 수 있는 우울증 예측을 위해 예측 신뢰성과 다양한 인구 통계 집단에 걸친 알고리즘 공정성을 모두 고려하는 연구이다. 기존의 불확실성 정량화를 통한 우울증 예측 연구는 신뢰성에 초점을 맞추었으나, 불확실성 정량화의 공정성에는 거의 주목하지 않았다. 본 연구는 불확실성 정량화의 알고리즘 공정성, 특히 동등 기회 적용(Equal Opportunity Coverage, EOC) 공정성을 조사하고, 공정한 불확실성 정량화(Fair Uncertainty Quantification, FUQ) 방법을 우울증 예측에 제안한다. FUQ는 그룹 기반 분석을 통해 신뢰할 수 있고 공정한 우울증 예측을 추구한다. 다양한 민감 속성에 따라 참가자들을 그룹화하고, 각 인구 통계 그룹 내에서 불확실성을 정량화하기 위해 합형 예측(conformal prediction)을 활용한다. 또한, EOC 제약 조건 하에 공정성을 제약 조건으로 하는 최적화 문제로 공식화하는 공정성 인식 최적화 전략을 제안하여, 예측 신뢰성을 유지하면서 다양한 인구 통계 그룹의 이질적인 불확실성 수준에 적응함으로써 최적의 공정성을 달성한다. 여러 시각 및 청각 우울증 데이터 세트에 대한 광범위한 평가를 통해 본 접근 방식의 효과를 보여준다.
