본 논문은 공정한 분류를 위한 새로운 접근 방식을 제시합니다. 기존의 적대적 학습이나 분포 정합 방식의 불안정성 및 높은 계산 비용 문제를 해결하기 위해, 특성 함수 거리(characteristic function distance) 기반의 방법을 제안합니다. 이 방법은 학습된 표현이 최소한의 민감한 정보만 포함하도록 하면서, 하위 작업에 대한 높은 효율성을 유지합니다. 특성 함수를 활용하여 기존 방법보다 더 안정적이고 효율적인 솔루션을 제공하며, 목적 함수의 간단한 완화를 통해 성능 저하 없이 공정성을 보장합니다. 벤치마크 데이터셋 실험 결과, 기존 방법과 비교하여 공정성과 예측 정확도 면에서 동등하거나 더 나은 성능을 보이며, 강건성과 계산 효율성을 유지함을 보여줍니다.
