본 논문은 효율적이고 희소한 심층 학습 모델에 대한 수요 증가에 따라 모델 압축, 특히 가지치기의 중요성이 커지고 있음을 배경으로 합니다. 기존 가지치기 방법들은 알고리즘적 편향을 의도치 않게 증폭시켜 중요한 응용 분야에서 불평등한 예측 결과를 초래할 수 있으며, 가지치기 관행과 사회 정의의 딜레마를 야기한다는 문제점을 제기합니다. 이에 본 논문에서는 공정성 기준을 준수하는 희소 모델을 개발하는, '공정한 모델 가지치기'라는 새로운 개념을 제시합니다. 구체적으로, 공정성 제약 조건을 사용하여 가지치기 마스크와 가중치 업데이트 프로세스를 공동으로 최적화하는 프레임워크를 제안합니다. 이 프레임워크는 성능을 유지하면서 통합된 프로세스에서 공정성을 보장하는 모델을 압축하도록 설계되었습니다. 이를 위해 공정한 가지치기 문제를 새로운 제약 조건이 있는 이중 수준 최적화 작업으로 공식화하고 효율적이고 효과적인 해결 전략을 도출합니다. 다양한 데이터 세트와 시나리오에서 실험을 설계하여 제안된 방법을 검증하고, 기존 가지치기 전략과 비교하여 모델의 공정성, 성능 및 효율성 유지를 위한 방법의 우수성을 강조합니다.
