본 논문은 다양한 정의의 공정성을 구현하는 어려움을 해결하기 위해, 특정 실제 작업에 맞춰 임시 가정을 통해 알고리즘 편향을 직접 설명하는 방법을 제시합니다. 이러한 가정은 훈련 중에 편향을 완화하는 데 사용될 수 있습니다. 특히, 확률적 논리 프로그래밍 언어인 ProbLog를 사용하여 편향 가정을 프로그램으로 공식화하고, ProbLog의 신경 기호 확장을 통해 신경망 훈련 과정에 쉽게 통합합니다. 다양한 유형의 편향을 표현하기 위한 템플릿 세트를 제안하고, 합성 표 형식 데이터셋에서 접근 방식의 다용성을 보여줍니다. 실제 표 형식 및 이미지 데이터에서 알고리즘 편향 완화에 성공했으며, ProbLog4Fairness가 다른 방법보다 유연하게 관련 편향 가정을 모델링하여 성능이 우수함을 입증합니다.
