본 논문은 레이블 바이어스(label bias), 즉 정량적 분석에 중심적인 공변량인 레이블의 체계적인 오류로 인해 사회 집단 간 품질이 달라지는 현상에 초점을 맞춥니다. 레이블 바이어스는 다양한 분야에서 심각한 문제로 인식되지만, 이를 해결하기 위한 효과적인 방법론은 부족한 실정입니다. 이에 본 논문에서는 레이블 바이어스로 인해 잘못 라벨링된 인스턴스를 탐지하기 위해 특별히 설계된 머신러닝 기반 프레임워크인 DeCoLe(Decoupled Confident Learning)을 제안합니다. 본 논문은 DeCoLe의 효과에 대한 이론적 근거를 제시하고, 레이블 바이어스가 잘 알려진 문제인 혐오 발언 탐지라는 영역에서 DeCoLe의 성능을 평가합니다. 실험 결과, DeCoLe은 기존의 레이블 오류 탐지 방법보다 우수한 성능을 보이며, 바이어스를 고려한 레이블 오류 탐지에 탁월함을 보여줍니다. DeCoLe을 조직의 데이터 관리 관행에 통합하여 데이터 신뢰성을 높이는 방법에 대한 지침을 제공합니다.
