점수 보정으로 기록 매칭 편향 감소

초록

본 논문은 기록 매칭 모델이 출력하는 연속 점수에 대한 편향을, 임계값에 의존하지 않는 새로운 지표로 정의하고, 워셔스테인 바리센터 기반의 두 가지 사후 처리 방법(Calib, C‑Calib)을 제안한다. 이 방법들은 라벨이 없는 보정 데이터만으로도 그룹 간 점수 분포를 정렬해 DP, EO, EOD와 같은 공정성 기준을 크게 개선하면서 정확도 손실을 최소화한다.

상세 분석

기존 연구는 매칭 점수를 이진화한 뒤 특정 임계값에서의 DP, EO, EOD 차이를 측정했지만, 점수 전체 분포의 차이를 간과한다는 한계가 있었다. 저자들은 이를 보완하기 위해 “점수 편향(score bias)”이라는 개념을 도입한다. 이는 그룹별 TPR·FPR·PR 곡선을 임계값 전체에 걸쳐 적분한 값의 차이로, 기존 이진 공정성 지표를 연속 점수 함수에 자연스럽게 확장한다. 이 정의는 임계값에 따라 변동하는 편향을 한 눈에 파악하게 해 주며, AUC와 같은 단일 요약 통계가 놓칠 수 있는 미세한 차이를 드러낸다.

편향 완화 방법으로 제시된 Calib은 두 그룹(소수·다수)의 점수 분포를 동일한 워셔스테인 바리센터로 정렬한다. 구체적으로, 각 그룹의 경험적 분포에 대해 양자화 기반 최적 수송 맵을 계산하고, 이를 통해 점수를 변환한다. 이 과정은 모델 자체를 재학습하지 않으며, 보정 집합에 라벨이 없어도 적용 가능하다. 저자들은 샘플 수 n에 대한 유한표본 경계와 변환 후 남은 DP 편향을 정량화한 이론적 보장을 제공한다.

라벨 의존적 공정성(EQ, EOD)을 다루기 위해 C‑Calib을 설계하였다. 여기서는 사전 학습된 라벨 추정기(예: 사전 학습된 매처)로부터 얻은 추정 라벨을 조건부로 사용해, 각각의 라벨(매치/비매치) 별로 별도의 바리센터 정렬을 수행한다. 이때 발생할 수 있는 라벨 추정 오류가 최종 공정성 보장에 미치는 영향을 명시적으로 분석하고, 샘플 크기와 추정 정확도에 따른 편향 감소율을 제시한다.

실험에서는 DBLP‑ACM, Amazon‑Google 등 여러 공개 기록 매칭 벤치마크와 최신 딥 매처(HierMatch, DeepMatcher 등)를 대상으로 Calib과 C‑Calib을 적용하였다. 결과는 대부분의 경우 DP, EO, EOD 편향을 30% 이상 감소시키면서, 전체 매칭 정확도(F1, Recall 등)는 1% 이하로 감소하는 것을 보여준다. 특히, 기존 임계값 기반 평가에서는 공정해 보였던 모델도 전체 점수 분포를 고려하면 상당한 편향을 가지고 있음을 확인하였다.

이 논문은 기록 매칭 분야에 점수 수준에서의 공정성 평가와 보정이라는 새로운 패러다임을 제시한다. 워셔스테인 바리센터를 이용한 사후 처리 방식은 모델에 독립적이며, 라벨이 없는 상황에서도 적용 가능하다는 실용적 장점이 있다. 또한, 이론적 보장과 실증적 검증을 동시에 제공함으로써, 향후 데이터 통합·정제 파이프라인에서 공정성을 보장하는 표준 모듈로 활용될 잠재력이 크다.