경험적 가능도 기반 공정성 감사: 분포 자유 인증 및 플래깅

초록

본 논문은 경험적 가능도(empirical likelihood, EL) 방법을 활용해 모델의 공정성 검증과 불공정 하위집단 탐지를 수행하는 새로운 프레임워크(ELFA)를 제안한다. 비모수적 접근으로, 차이 통계량이 대수적으로 chi‑square 또는 혼합 chi‑square 분포에 수렴함을 보이며, 부트스트랩 대비 높은 커버리지 정확도와 수십 배 빠른 계산 속도를 제공한다. COMPAS 데이터셋 실험을 통해 아프리카계 미국인 청년 남성의 과다 양성 예측과 백인 여성의 과소 예측을 효과적으로 플래깅한다.

상세 분석

ELFA는 기존 공정성 감사가 직면한 두 가지 핵심 한계—분포 가정의 강도와 계산 복잡도—를 동시에 해결한다. 첫째, 경험적 가능도는 관측값에 대한 다중 가중치를 최적화함으로써 비모수적 추정량을 제공한다. 이때 제약조건은 각 하위집단 G에 대해 E