본 논문은 데이터 증강이 다중 클래스 분류에서 불공정한 영향을 미칠 수 있다는 점을 지적하며, 이를 해결하기 위한 새로운 방법인 CLAM(CLAss-dependent Multiplicative-weights method)을 제안합니다. CLAM은 분류기 훈련을 개별 클래스 성능 극대화와 균형을 동시에 목표로 하는 비선형 최적화 문제로 공식화하고, 이를 적대적 2인 게임으로 재구성하여 새로운 승수 가중치 알고리즘을 제시합니다. 수렴성을 증명하고, 데이터 증강의 클래스 의존적 효과가 데이터 증강 자체 때문만이 아니라 일반적인 현상임을 밝힙니다. 다섯 개의 데이터셋에 대한 실험 결과를 통해 학습된 분류기의 성능이 클래스 간에 더 공정하게 분포되고, 평균 정확도에는 제한적인 영향만 미침을 보여줍니다.
