본 논문은 신뢰할 수 있는 AI 시스템 구축, 특히 분포 변화가 있는 시나리오에서 중요한 과제로 떠오른 공정성 인식 도메인 일반화(FairDG) 문제를 해결하기 위해, 공정성 인식 분류기-유도 점수 기반 확산 모델(FADE)을 제안합니다. FADE는 먼저 점수 기반 확산 모델(SDM)과 두 개의 분류기를 사전 훈련하여 다양한 도메인에서 강력한 일반화 능력을 갖추도록 합니다. 그런 다음, 사전 훈련된 분류기를 사용하여 SDM을 안내하여 생성된 데이터에서 민감한 정보를 효과적으로 제거합니다. 마지막으로, 생성된 공정한 데이터를 사용하여 하위 분류기를 훈련하여 새로운 데이터 분포에서 강력한 성능을 보장합니다. 세 개의 실제 데이터 세트에 대한 광범위한 실험을 통해 FADE가 공정성을 향상시키는 동시에 분포 변화가 있는 경우 정확도를 향상시킨다는 것을 보여줍니다. 또한, FADE는 기존 방법보다 우수한 정확도-공정성 절충안을 달성합니다.
