이중 공정성 정책 학습: 행동·결과 공정성을 동시에 만족하는 최적 정책 설계

초록

본 논문은 정책 학습에서 행동 공정성과 결과 공정성을 동시에 고려하는 “이중 공정성 학습(DFL)” 프레임워크를 제안한다. 다목적 최적화와 레키시컬 가중 Tchebychev 스칼라라이제이션을 이용해 행동·결과 공정성·가치 최대화 사이의 트레이드오프를 관리하고, 이론적 레그레트 경계와 실험을 통해 기존 방법보다 우수함을 입증한다.

상세 분석

이 논문은 정책 학습이라는 인터벤션 문제에 두 종류의 공정성—행동 공정성(action fairness)과 결과 공정성(outcome fairness)—을 동시에 적용해야 한다는 점을 명확히 규정한다. 행동 공정성은 동일한 특성 X 에 대해 민감 속성 S 가 달라져도 동일한 행동 확률을 부여하는 것을 의미하고, 결과 공정성은 동일한 행동을 취했을 때 기대되는 부가 결과 R(2) 가 민감 그룹에 독립적이어야 함을 뜻한다. 기존 연구는 주로 행동 공정성(ASF) 혹은 결과 공정성(OSF) 중 하나만을 목표로 했으며, 두 목표를 동시에 만족시키는 정책이 존재하는지, 존재한다면 어떻게 찾을 수 있는지에 대한 체계적 분석이 부족했다.

저자들은 먼저 “이중 공정성 가능성”을 판단하는 충분·필요 조건을 제시한다. 핵심은 행동 π(a|s,x) 와 결과 f(s,x,a)=E