[논문 리뷰] Fair Canonical Correlation Analysis

Zhuoping Zhou, Davoud Ataee Tarzanagh외 6명|PubMed|2023. 09. 27.

Advanced Statistical Methods and ModelsMathematics참고 문헌 21인용 수 3

한 줄 요약

이 논문은 보호 그룹(예: 성별 또는 인종) 간 상관관계 차이를 최소화하면서 전역 상관관계를 유지함으로써 CCA에서의 편향을 완화하는 새로운 프레임워크인 정의적 주성분 분석(Fair CCA, F-CCA)을 소개한다. 일반화된 Stiefel 다양체 위에서 다중 및 단일 목표 최적화를 제안하며 수렴 보장을 제공하며, 합성 및 실세계 데이터셋에서 성능 저하 없이 공정성 편차를 감소시킴을 입증한다.

ABSTRACT

This paper investigates fairness and bias in Canonical Correlation Analysis (CCA), a widely used statistical technique for examining the relationship between two sets of variables. We present a framework that alleviates unfairness by minimizing the correlation disparity error associated with protected attributes. Our approach enables CCA to learn global projection matrices from all data points while ensuring that these matrices yield comparable correlation levels to group-specific projection matrices. Experimental evaluation on both synthetic and real-world datasets demonstrates the efficacy of our method in reducing correlation disparity error without compromising CCA accuracy.

연구 동기 및 목표

• 보호 속성(예: 성별 또는 인종)이 그룹 간 상관관계 편차에 영향을 미칠 때 주성분 분석(CCA)의 공정성 문제를 해결하기 위해.
• 다양한 인구 통계적 그룹 간 유사한 상관관계 수준을 보장하는 전역 투영 행렬을 학습하는 방법을 개발하기 위해.
• 원칙적인 최적화 프레임워크를 통해 전역 상관관계 최대화와 공정성 제약 조건 간의 균형을 이루기 위해.
• 리emann 다양체 위에서 제안된 최적화 알고리즘에 대한 이론적 수렴 보장을 제공하기 위해.
• 합성 및 실세계 데이터셋에서 방법을 실증적으로 검증하여, CCA 정확도를 희생시키지 않고도 공정성 편차를 감소시킴을 보여주기 위해.

제안 방법

• 전역 상관관계를 최대화하고 그룹 간 상관관계 편차 오차를 최소화하는 다중 목표 최적화 프레임워크를 제안한다.
• 전역 상관관계와 공정성 간의 균형을 조절할 수 있는 조정 가능한 하이퍼파rameter를 가진 단일 목표 설정을 도입한다.
• 다중 목표 F-CCA를 위한 리emann 기반 경사하강법 알고리즘을 개발하였으며, 파레토 정적점으로 수렴함을 보장한다.
• 지수 재접속을 초월하는 민첩한 재접속 맵을 사용하여 리emann 최적화를 다중 목표 문제로 확장한다.
• 성분별 상관관계 측정과 그룹별 특화된 상관관계 편차를 사용하여 투영 행렬의 공정성 수준을 정량화한다.
• 최적화 과정에서 정규직교 제약 조건을 유지하기 위해 Stiefel 다양체 위의 재접속 연산을 활용한다.

실험 결과

연구 질문

• RQ1 성별 또는 인종과 같은 보호 그룹 간 상관관계 편차를 최소화함으로써 CCA를 공정하게 만들 수 있는가?
• RQ2 다양한 인구 통계적 그룹 간 동일한 상관관계 수준을 보장하기 위해 전역 투영 행렬을 어떻게 학습할 수 있는가?
• RQ3 CCA에서 전역 상관관계와 공정성 간의 균형 잡힌 트레이드오프를 가능하게 하는 최적화 프레임워크는 무엇인가?
• RQ4 다중 목표 공정 CCA에서 리emann 최적화에 대해 수렴 보장을 설정할 수 있는가?
• RQ5 제안된 F-CCA 방법은 실세계 및 합성 데이터에서 CCA 성능을 유지하면서도 공정성 편차를 감소시키는가?

주요 결과

• 제안된 F-CCA 프레임워크는 합성 및 실세계 데이터셋에서 모두 높은 전역 상관관계를 유지하면서도 보호 그룹 간 상관관계 편차 오차를 크게 감소시킴을 입증하였다.
• 다중 목표 F-CCA 접근법은 전역 상관관계와 공정성 간의 균형 잡힌 트레이드오프를 달성하였으며, 파레토 정적점으로 수렴함을 확인하였다.
• 조정 가능한 파rameter를 가진 단일 목표 설정은 공정성을 효과적으로 근사하면서도 강력한 전역 상관관계 성능를 유지하였다.
• 실증 결과는 F-CCA가 표준 CCA보다 공정성 지표에서 뛰어난 성능을 보였으며, 특히 성별 차이가 있는 알츠하이머병 연구와 같은 그룹별 상관관계 편향이 존재하는 시나리오에서 두드러졌다.
• 이론적 분석을 통해 행렬 상관관계 측정치 ρ는 성분별 상관관계 ρr의 평균이며, 최대 그룹 편차 Δmax는 개별 성분 편차 Δmax,r의 합으로 유계임을 확인하였다.
• 그림 1에서 비교한 투영된 샘플 쌍의 결과를 통해 F-CCA는 표준 CCA에서 관찰된 편향을 줄이기 위해 평균 상관관계 각도를 성공적으로 균형화하였다.