공정성 보장과 공격 저항을 겸비한 선형·스무스 컨텍스추얼 밴딧

초록

본 논문은 모든 컨텍스트와 시간에 걸쳐 아이템‑레벨(arm) 공정성을 (1‑δ) 수준으로 유지하면서, 선형 및 β‑스무스 보상 모델에 대해 최소화된 레그레드를 달성하는 알고리즘을 제시한다. 또한, 공정성 제약이 신호 조작 공격에 취약함을 밝혀내고, 제한된 예산 C의 적대적 교란에도 (1‑O(1/T)) 공정성을 보장하면서 최소 레그레드 상한을 유지하는 견고한 변형을 설계한다.

상세 분석

이 연구는 기존 컨텍스추얼 밴딧이 추구하는 누적 보상 최대화와 아이템‑레벨 공정성 사이의 근본적 트레이드오프를 정량화한다. 저자들은 “uniform (1‑δ)‑fairness”라는 새로운 정의를 도입했는데, 이는 각 라운드와 모든 컨텍스트에서 arm의 기대 보상이 실제로 우수할 때만 그 arm을 우선 선택하도록 강제한다. 이 정의는 평균 기반 공정성 지표가 놓칠 수 있는 “컨텍스트 구멍”을 메우며, 확률 1‑δ 수준에서 전역적인 공정성을 보장한다.

알고리즘 측면에서, 선형 보상 모델에 대해서는 기존의 Forced‑Sampling 기반 UCB 변형에 공정성 제약을 삽입하고, 탐색‑활용 균형을 조정해 최적의 레그레드 상한 O(√(dT log T))를 유지한다. 스무스(β‑Hölder) 모델에서는 적응형 빈닝(ABSE) 전략을 확장해, β≥1 구간에서도 O(T^{(d+β)/(d+2β)}·polylog T) 수준의 최소 레그레드를 달성한다. 두 경우 모두 “Confusion Zone”라 불리는 공정성 판단이 모호해지는 영역을 정밀히 분석해, 무공정 제약 상황보다 약간 높은 하한을 도출함으로써 “공정성의 가격(price of fairness)”을 이론적으로 규명한다.

특히, 공정성 메커니즘이 실제 보상 신호에 의존하기 때문에, 적은 예산(≈O(1))만으로도 공격자가 보상 추정치를 왜곡해 공정성을 깨뜨릴 수 있음을 보였다. 두 종류의 공격이 제시되는데, 첫 번째는 레그레드에는 거의 영향을 주지 않으면서 선택 확률을 조작해 특정 arm을 지속적으로 불공정하게 배제한다(“invisible fairness attack”). 두 번째는 공격자가 교란을 누적시켜 알고리즘을 “실패 상태”에 빠뜨려 O(T) 수준의 선형 레그레드와 영구적 불공정을 초래한다.

이를 방어하기 위해 저자들은 “corruption‑adaptive exploration”과 “error‑compensated thresholding”을 결합한 견고한 알고리즘을 설계한다. 선형 경우에는 교란 예산 C가 레그레드에 O(C)만큼 추가되는 형태로, 스무스 경우에는 C와 T 사이에 β와 차원 d에 의존하는 곱셈적 결합(예: C=O(T^{β/(2β+d)}))을 만족하면 거의 최적의 레그레드 속도를 유지한다. 또한, 이러한 변형 알고리즘도 (1‑O(1/T)) 수준의 uniform fairness를 보장한다는 정리를 제공한다. 실험에서는 합성 데이터와 실제 광고·콘텐츠 플랫폼 데이터를 사용해, 제안 알고리즘이 기존 UCB·LinUCB 대비 공정성 위배를 현저히 감소시키면서 레그레드 손실을 최소화함을 입증한다.

전반적으로 이 논문은 (1) 공정성 정의의 엄밀화, (2) 공정성 하에서 최소 레그레드 달성, (3) 공정성에 특화된 공격 모델 규명, (4) 제한된 교란에 강인한 알고리즘 설계라는 네 축을 통해, 컨텍스추얼 밴딧 분야에서 공정성과 보안이 동시에 충족되는 최초의 이론적·실용적 프레임워크를 제공한다.