As the decision making system is now conducted by the machine learning models automatically, new problems named fairness in machine learning appears due to the bias of the data. One of the group fairness metrics that is famous and widely used is Equalized Odds. One challenge to achieve this metric is that the sensitive attributes are included in the data. However, due to the legislation, the collected data often do not contain the information about sensitive attributes. To achieve Equalized Odds using those data is meaningful problem to solve. We suggest the solution named EOVAE, which uses the Disentanglement method. The advantage of this approach is that the model is flexible with the models and sensitive attributes, which is useful in practice.
기계학습 모델이 의사 결정 시스템을 자동적으로 진행하면서, 공정성이라는 이름의 새로운 문제가 등장했다. 이는 데이터의 편향성이 원인이다. 유명하고 널리 사용되는 집단 공정성 측정 개념에는 기회의 평등이 있다. 이를 달성하기 위한 필요한 요구사항 중 하나는 민감한 특징이 데이터에 반드시 포함되어야 한다는 점이다. 하지만, 수집된 데이터는 법률의 제약에 의해 민감한 특징에 대한 정보가 자주 누락되어 있는 경우가 많다. 따라서, 이러한 데이터를 사용하여 기회의 평등을 달성하는 것은 풀 가치가 있는 문제이다. 우리는 EOVAE라는 이름의 해결책을 제안한다. 이 방법은 얽힌 것을 푸는 방법을 이용하여 문제를 푼다. 이러한 접근 방식의 장점은 모델과 민감한 특징에 대하여 동시에 유연성을 확보할 수 있다는 점이다. 이러한 점은 실제 상황에서 크게 유용하다.
