본 논문은 기존의 공정성 기반 머신러닝(ML)과 차등적 프라이버시 보존 머신러닝(DPML)의 발전을 다루며, 그룹 간 프라이버시 보호의 공정성이 충분히 연구되지 않았다는 점을 지적합니다. 본 연구는 데이터 레코드의 평균적인 프라이버시 위험에 기반한 기존 연구의 한계를 극복하고자, 데이터 레코드의 근사 최악의 경우 프라이버시 위험을 효율적으로 감사할 수 있는 새로운 멤버십 추론 게임을 제안합니다. 또한, DPML에서 프라이버시 보호 공정성을 증진하기 위해, 차등적 프라이버시 감사 연구에서 영감을 얻어 그룹별 적응형 기울기 클리핑 전략을 갖춘 DP-SGD 알고리즘을 개발했습니다. 실험 결과는 제안된 방법이 그룹 프라이버시 위험에 대한 보다 엄격한 측정을 제공하고, 그룹별 프라이버시 위험 격차에 대한 신뢰할 수 있는 평가를 가능하게 함을 보여줍니다. 또한 제안된 알고리즘이 그룹 프라이버시 위험 격차를 효과적으로 줄여 DPML의 프라이버시 보호 공정성을 향상시킵니다.
