본 논문은 AI 시스템의 신뢰성을 위해 데이터 품질 및 AI 시스템 출력 검증에 필수적인 편향 평가에 대한 새로운 방법을 제시합니다. 기존의 Total Variation 및 Wasserstein 거리와 같은 메트릭은 높은 표본 복잡도로 인해 실제 시나리오에서 의미 있는 차이를 제공하지 못하는 한계가 있습니다. 본 논문에서는 모든 특징 하위 그룹에 대한 불일치가 낮으면 두 분포가 가깝다고 정의하는 새로운 거리 개념인 최대 하위 그룹 불일치(Maximum Subgroup Discrepancy, MSD)를 제안합니다. 하위 그룹의 수가 기하급수적으로 증가할 수 있음에도 불구하고, 표본 복잡도는 특징 수에 선형적으로 비례하여 실제 적용이 가능함을 보입니다. 또한, 혼합 정수 최적화(Mixed-integer optimization, MIO) 기반의 실용적인 알고리즘을 제공하며, MSD 거리가 해석이 용이하여 편향을 식별한 후 수정하는 과정을 명확하게 제시합니다. 마지막으로 MSDD 거리라는 자연스러운 일반 편향 탐지 프레임워크를 설명하고, 실제 데이터셋에서 MSD가 이 프레임워크와 잘 맞는다는 것을 실험적으로 평가합니다.
