본 논문은 머신러닝(ML)에서의 공정성 확보를 위해, 편향되고 잡음이 많은 레이블을 포함하는 데이터셋에서 레이블 수정을 통해 공정성을 유지하는 새로운 방법인 GFLC(Graph-based Fairness-aware Label Correction)를 제시합니다. GFLC는 예측 신뢰도 측정, Ricci-flow 최적화 그래프 라플라시안을 통한 그래프 기반 정규화, 그리고 명시적인 인구 통계적 공정성 유인책이라는 세 가지 주요 구성 요소를 결합합니다. 실험 결과, GFLC는 기존 방법에 비해 성능과 공정성 지표 간의 상충 관계를 크게 개선함을 보여줍니다.
