Long-Term Fairness Inquiries and Pursuits in Machine Learning: A Survey of Notions, Methods, and Challenges
Created by
Haebom
저자
Usman Gohar, Zeyu Tang, Jialu Wang, Kun Zhang, Peter L. Spirtes, Yang Liu, Lu Cheng
개요
본 논문은 일상생활, 특히 고위험 분야에서 기계 학습 시스템의 광범위한 통합으로 인해 제기되는 공정성 문제에 대해 논의한다. 기존 연구에서는 정적 공정성 측정에 초점을 맞추었지만, 자동화된 의사결정은 장기적인 영향을 미치며 기존의 공정성 접근 방식이 장기적인 공정성 달성에 효과적이지 않을 수 있다는 점을 밝혀냈다. 피드백 루프의 존재와 모델과 환경 간의 상호작용은 초기 공정성 목표에서 벗어날 수 있는 추가적인 복잡성을 야기한다. 본 논문은 다양한 관점에서 장기적 공정성에 대한 기존 문헌을 검토하고 장기적 공정성 연구를 위한 분류 체계를 제시하며, 주요 과제와 미래 연구 방향을 제시한다.
시사점, 한계점
•
시사점: 장기적 공정성에 대한 다양한 관점과 분류 체계를 제시하여, 기계 학습 시스템의 장기적 공정성 문제에 대한 포괄적인 이해를 제공한다. 현재의 문제점과 잠재적인 추가 탐구를 분석하여 향후 연구 방향을 제시한다.
•
한계점: 본 논문은 기존 문헌의 검토와 분류 체계 제시에 초점을 맞추고 있으며, 구체적인 장기적 공정성 문제 해결 방안을 제시하지는 않는다. 향후 연구 방향 제시는 구체적인 방법론 제시보다는 탐구 방향을 제시하는 수준에 머물 수 있다.
