구축 방법 — Bias & Fairness

방법

• Tabs: 1 Sources of Bias · 2 Fairness Metrics · 3 Trade-offs · 4 Mitigation
• Adult 48,842행 중 6,000행을 Mulberry32 seed 20261026으로 추출. 원본 두 파일을 합친 후 재분할.
• 입력: age, education-num, log(1+capital-gain/loss), hours-per-week와 workclass·marital-status·occupation·relationship one-hot. ?는 별도 범주.
• fnlwgt·race·native-country는 제외. sex는 표본 편향 탭에서만 선택적으로 입력에 추가. 전체 통계는 표본 내 비가중 값.
• Logistic regression: 240 full-batch steps, learning rate 0.15, L2=0.002. 재가중·soft DP 벌점·보정 집합 기준값 선택 비교.
• 학습 여부: 브라우저에서 직접 학습. 사전 학습 가중치 없음.
• 소프트웨어: 자체 JavaScript v1.0, KaTeX 0.16.11(MIT, 수식 표시만).
• 본문 작성 보조: OpenAI Codex. 본문은 고정 텍스트이며 실행 중 LLM 호출은 없다.
• 수식 표시 파일·woff2 글꼴은 폴더에 포함한다. 실행 중 외부 리소스를 요청하지 않는다.

데이터

• 원본 데이터의 출력값은 실제 관측값이며 모델 예측은 브라우저에서 새로 계산한다.
• 분할: 시드 고정 60% 학습·20% 보정·20% 평가. 표준화는 학습 데이터에만 맞춘다.
• 사용자 입력 저장: 없음. 표시 설정만 기기에 저장한다.
• Adult: 48,842행 중 6,000행 추출, Becker & Kohavi (1996), UCI, CC BY 4.0. 범주 부호화·결측 범주 유지.

검증

• 기본 평가 정확도 81.75%, DP gap 0.1904, EO gap 0.1680. 손계산 혼동행렬과 분모 0 처리 검사 통과.
• 재가중·완화 벌점·후처리 세 경로와 λ=0·10 경계값 실행 확인.

범위

• 매개변수 범위는 각 체험 입력에 표시하며 교육용으로 정한 값이다.

출처

1. Becker & Kohavi (1996). Adult. UCI Machine Learning Repository. CC BY 4.0.
2. Kamiran & Calders (2012). Data preprocessing techniques for classification without discrimination.
3. Hardt, Price & Srebro (2016). Equality of Opportunity in Supervised Learning.
4. Guo et al. (2017). On Calibration of Modern Neural Networks. PMLR 70.
5. Kleinberg, Mullainathan & Raghavan (2017). Inherent Trade-Offs in the Fair Determination of Risk Scores.

이력

• 2026-10-27 · v1.0 · 공개