본 논문은 기계 학습 시스템의 다양한 실패 모드를 통합적으로 분석하는 이론적 프레임워크를 제안합니다. 특히, 보호 대상 그룹에 대한 불공정성, 스퓨리어스 상관관계에 대한 취약성, 소수 하위 집단에 대한 낮은 성능 등, 개별적으로 연구되던 다양한 편향 메커니즘이 모델 성능에 정량적으로 동등한 영향을 미치는 조건을 정보 이론적 측정을 통해 공식화합니다. 이를 통해 스퓨리어스 상관관계, 하위 집단 이동, 클래스 불균형, 공정성 위반 간의 동등성 조건을 증명하고, 실제로 6개의 데이터셋과 3가지 아키텍처를 사용하여 이론적 예측의 정확성을 검증합니다.
