본 논문은 진화하는 데이터 스트림을 처리하기 위해 온라인 방식으로 점점 더 많이 적용되는 머신러닝의 공정성 문제를 다룹니다. 특히 데이터의 클래스 불균형 문제와 공정성 문제를 동시에 해결하는 새로운 전처리 기법 CFSMOTE를 제안합니다. 기존의 C-SMOTE는 클래스 불균형을 완화하는 데 효과적이지만, 알고리즘 편향을 유발할 수 있다는 한계가 있습니다. CFSMOTE는 상황 테스트와 공정성 관련 그룹의 균형을 맞추는 오버샘플링을 통해 클래스 불균형과 공정성 문제를 동시에 해결합니다. 특정 공정성 지표에만 최적화하지 않고 여러 공정성 지표를 고려하여 문제가 될 수 있는 상충 관계를 피합니다. 실험 결과, 기존 C-SMOTE에 비해 여러 공정성 지표에서 성능이 향상되었으며, 다른 공정성 인식 알고리즘과 비교해도 경쟁력 있는 성능을 유지함을 보여줍니다.
