본 논문은 기계 학습(ML) 응용 분야에서 공정성 문제에 대한 연구를 다룬다. 특히, 특권 집단과 비특권 집단 간의 분류 복잡성 차이가 해결책의 공정성에 미치는 영향에 대한 연구는 부족한 상황이며, 이는 잠재적 불공정성의 초기 지표가 될 수 있다. 본 연구는 다양한 편향(역사적 편향, 측정 및 표현 편향 등)을 포착하도록 설계된 합성 데이터셋을 사용하여 다양한 복잡성 측정 지표의 차이가 그룹 공정성 측정 지표와 어떻게 상관되는지 조사한다. 연관 규칙 마이닝을 적용하여 그룹 간의 불균형적인 복잡성 차이와 공정성 관련 결과를 연결하는 패턴을 식별하고, 편향 완화를 위한 데이터 중심 지표를 제공한다. 실제 문제에 대한 적용을 통해 결과의 타당성을 검증하여, 그룹별 분류 복잡성을 정량화하면 잠재적인 공정성 문제의 초기 지표를 발견할 수 있음을 보여준다. 이 연구는 실무자들이 분류 작업에서 편향을 사전에 해결하는 데 도움이 된다.
