머신러닝 모델이 배포 후 훈련 데이터에 영향을 미치는 피드백 루프를 다루는 Performative Prediction (PP) 프레임워크를 소개합니다. 특히, PP 프레임워크에서 공정성 문제를 탐구하며, 기존의 Performative Stable (PS) 솔루션이 심각한 양극화와 성능 격차를 유발할 수 있음을 지적합니다. 또한, 기존의 공정성 개입이 PS 기준을 충족하지 못해 실패할 수 있음을 보입니다. 이러한 문제를 해결하기 위해, 본 논문은 안정성과 공정성을 모두 보장하는 새로운 공정성 메커니즘을 제안하고, 이론적 분석과 실험 결과를 통해 이를 검증합니다.
