연구진은 여러 민감 속성(예: 인종, 성별)의 교차점에 있는 개인에게 차별적 결과나 성능 저하를 보이는 머신러닝 모델 문제를 해결하기 위해 노력했어요.
편향 완화를 위한 새로운 프레임워크를 확장하여 그룹, 교차 그룹 모두에 충분한 대표성을 보장하는 커버리지 제약 조건을 통합했어요.
모든 그룹에 대해 정확히 0의 편향을 달성하는 것은 데이터 효율적이지 않으므로, 편향의 작은 근사 오류를 허용하면서 데이터 효율성을 높이고 커버리지 제약 조건을 충족했어요.
공정성 허용 오차에 따른 최소 데이터 수정 비용인 공정성의 가격을 정의하고, 법적 준수와 데이터 거버넌스를 위한 정보 제공을 목표로 했어요.