본 논문은 공정하고 편향되지 않은 기계 학습 모델 개발을 위한 새로운 손실 함수인 차등 조정된 패리티(DAP) 손실을 제안합니다. DAP 손실은 조정된 패리티 지표의 미분 가능한 변형을 사용하여 통합된 목적 함수를 생성합니다. 하위 작업 분류 정확도와 민감한 특징 영역 간의 불일치를 결합하여 성능 향상과 편향 완화를 위한 단일 도구를 제공합니다. 소프트 균형 정확도를 사용하는 것이 핵심 요소이며, 기존의 비적대적 접근 방식과 달리 모든 민감한 영역에서 동일하게 성능이 저하되는 퇴화 현상이 발생하지 않습니다. 실험 결과, 여러 적대적 모델보다 하위 작업 정확도 및 공정성 측면에서 우수한 성능을 보였으며, 인구 패리티, 균등화 확률 및 민감한 특징 정확도를 최대 22.5%, 44.1%, 40.1%까지 향상시켰습니다. 따라서 DAP 손실 및 관련 지표는 더 공정한 기계 학습 모델을 만드는 데 중요한 역할을 할 수 있습니다.
