공정 학습은 기계 학습 모델이 성별, 인종 등과 같은 민감 속성에 대해 자동화된 의사결정 시스템에서 불공정할 수 있으므로, 최근 몇 년 동안 많은 관심을 받아왔다. 그러나 민감 속성에 대한 차별을 완화하고 공정한 모델을 훈련하기 위해, 대부분의 공정 학습 방법은 훈련 또는 검증 단계에서 민감 속성에 대한 접근을 요구해 왔다. 본 연구에서는 Homomorphic Encryption(HE)에 기반한 공정 지지 벡터 머신 분류기를 위한 개인정보 보호형 훈련 알고리즘을 제안하며, 민감 정보와 모델 비밀성 모두의 프라이버시를 보존할 수 있다. HE의 비용이 큰 계산 비용은 민감 정보만 보호하고, 공유 고유벡터를 이용한 정교한 정식화 및 저랭크 근사를 도입함으로써 상당히 개선될 수 있다. 합성 및 실제 데이터에 대한 실험을 통해, 본 알고리즘이 정확성과 공정성 측면에서 효과적임을 입증하였으며, 정확성과 공정성 사이의 더 나은 균형을 제공한다는 점에서 다른 개인정보 보호형 해법들에 비해 유의하게 우수함을 보였다. 우리가 아는 한, 본 알고리즘은 HE를 활용한 최초의 개인정보 보호형 공정 학습 알고리즘이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.