본 논문은 고위험 영역에서 머신러닝(ML) 시스템의 신뢰성 확보의 중요성을 강조하며, 신뢰할 수 있는 ML의 핵심 원칙인 공정성, 개인정보보호, 견고성, 정확성, 설명 가능성 간의 상충관계를 다루기 위해 인과적 방법을 ML에 통합해야 한다고 주장합니다. 이러한 목표는 이상적으로 동시에 충족되어야 하지만, 종종 개별적으로 다뤄져 갈등과 최적이 아닌 해결책으로 이어집니다. 논문은 공정성과 정확성 또는 개인정보보호와 견고성과 같은 목표를 성공적으로 조정한 ML에서 인과 관계의 기존 응용 사례를 바탕으로, 신뢰할 수 있는 ML과 기초 모델 모두에서 여러 경쟁 목표의 균형을 맞추는 데 인과적 접근 방식이 필수적이라고 주장합니다. 이러한 상충 관계를 강조하는 것 외에도, ML과 기초 모델에 인과 관계를 실제로 통합하는 방법과 신뢰성 및 해석 가능성을 향상시키는 해결책을 제시합니다. 마지막으로 인과적 프레임워크 채택의 과제, 한계 및 기회를 논의하여 더 책임감 있고 윤리적인 AI 시스템을 위한 길을 엽니다.
