본 논문은 기계 학습의 실세계 적용이 증가함에 따라 차별적 편향의 영향이 주목받고 있음을 배경으로 한다. 기존의 편향 완화 방법들은 다수의 민감 속성을 고려할 때 특정 보호 집단의 하위 집단이 불이익을 받는 교차적 편향(intersectional bias)을 고려하지 못했다는 한계점을 지적한다. 이를 해결하기 위해, 본 논문은 이진 분류를 위한 공정 인식 기계 학습에 민감 속성과 관련된 각 하위 집단 쌍 간의 비교 과정을 적용하는 One-vs.-One Mitigation 방법을 제안한다. 세 가지 접근 방식(전처리, 중간 처리, 후처리), 여섯 가지 지표(인구 통계적 동등성, 동등한 기회, 동등한 확률의 비율 및 차이), 그리고 두 가지 실제 데이터 세트(Adult 및 COMPAS)를 사용하여 제안된 방법과 기존의 공정 인식 이진 분류 방법을 비교 분석한다. 그 결과, 제안된 방법이 모든 설정에서 기존 방법보다 교차적 편향을 훨씬 더 잘 완화함을 보여주며, 다중 민감 속성이 존재할 때 발생하는 보다 현실적인 문제 해결을 위한 공정 인식 이진 분류의 잠재력을 제시한다.
