# 통계적 평등

**통계적 평등**(istical Parity)은 인공지능(AI) 시스템의 공정성 및 편향 평가에서 중요한 개념 중 하나로, 알고리즘이 다양한 사회적 집단(예: 성별, 인종, 연령 등)에 대해 동일한 비율로 긍정적인 결과를 부여하는지를 측정하는 기준입니다. 이는 AI 기반 의사결정 시스템이 특정 집단에 불공정한 이득이나 불이익을 주지 않도록 보장하기 위한 수학적 조건으로 활용되며, 특히 채용, 대출 심사, 형사 사법 등 민감한 분야에서 중요하게 고려됩니다.

통계적 평등은 공정성의 여러 정의 중 하나인 "집단 공정성"(group fairness)에 속하며, 결과의 분포가 민감한 특성(sensitive attribute)에 따라 균형을 이루어야 한다는 철학적 기반을 가지고 있습니다.

---

## 정의와 수학적 표현

통계적 평등은 다음과 같이 수학적으로 정의됩니다:

> 주어진 예측 모델 \( h \)가 민감한 특성 \( A \) (예: 성별)에 대해 **통계적 평등**을 만족한다고 말할 수 있다.  
> 모든 집단 \( a \)와 \( b \)에 대해 다음 조건이 성립할 때:
>
> \[
> P(h(X) = 1 \mid A = a) = P(h(X) = 1 \mid A = b)
> \]
>
> 여기서 \( X \)는 입력 특성, \( h(X) = 1 \)은 긍정적인 결과(예: 대출 승인, 채용 추천 등)를 의미합니다.

즉, 통계적 평등은 민감한 특성에 상관없이 모델이 긍정적인 결정을 내릴 확률이 동일해야 한다는 것을 요구합니다. 예를 들어, 남성과 여성에 대해 대출 승인률이 동일해야 한다는 기준입니다.

---

## 통계적 평등의 장점

### 1. 직관적인 해석
통계적 평등은 결과의 분포를 직접 비교하므로 이해하기 쉽고 정책 결정자나 일반 대중에게도 명확하게 설명할 수 있습니다.

### 2. 단순한 측정 가능성
다른 공정성 기준(예: 동등한 정밀도, 동등한 재현율 등)에 비해 계산이 간단하며, 실제 데이터에서 쉽게 평가할 수 있습니다.

### 3. 사회적 형평성 강조
특정 집단이 시스템에서 체계적으로 배제되지 않도록 보장하며, 역사적으로 소외된 집단의 기회 균등을 추구하는 데 유용합니다.

---

## 한계와 비판

통계적 평등은 직관적이고 적용하기 쉬운 반면, 다음과 같은 한계를 지닙니다:

### 1. 성능과의 트레이드오프
모든 집단에 대해 동일한 승인률을 강제하면, 모델의 정확도나 유용성이 저하될 수 있습니다. 예를 들어, 신용도가 낮은 집단에 대해 과도하게 긍정적인 결정을 내릴 수 있어 리스크가 증가합니다.

### 2. 개별 공정성 무시
개인의 실제 능력이나 조건을 무시하고 집단 평균만을 고려하므로, "정당한 차별"을 불가능하게 만들 수 있습니다. 예를 들어, 모든 지원자에게 동일한 채용 확률을 부여하면, 더 자격이 충분한 지원자가 불리해질 수 있습니다.

### 3. 인과적 맥락 반영 부족
민감한 특성과 결과 간의 관계를 단순히 통계적으로 동일하게 만들 뿐, 사회적 불평등의 구조적 원인(예: 교육 기회의 차이)을 반영하지 못합니다.

---

## 관련 공정성 기준과의 비교

| 공정성 기준 | 설명 | 통계적 평등과의 차이 |
|------------|------|------------------|
| **동등한 기회**(Equal Opportunity) | 긍정적인 실제 사례(예: 상환 능력 있는 대출 신청자)에 대해 긍정적 예측 확률이 동일해야 함 | 조건부 확률 기반, 성능 고려 |
| **동등한 정밀도**(Predictive Parity) | 긍정적 예측을 받은 집단 내에서 실제 긍정 비율이 동일해야 함 | 정확도 기반, 결과의 신뢰도 강조 |
| **개별 공정성**(Individual Fairness) | 유사한 개인은 유사한 결과를 받아야 함 | 집단이 아닌 개별 유사성 기반 |

통계적 평등은 이러한 기준들과 동시에 만족하기 어려운 경우가 많으며, 이는 공정성의 여러 정의가 서로 충돌할 수 있음을 보여줍니다.

---

## 적용 사례

### 1. 채용 알고리즘
AI 기반 채용 시스템이 남성과 여성에 대해 동일한 추천 비율을 보이는지 평가할 때 통계적 평등을 사용할 수 있습니다. 예: 여성 지원자 40%, 남성 지원자 40% 추천 → 통계적 평등 만족.

### 2. 대출 심사
은행의 자동 대출 승인 시스템이 인종별로 동일한 승인률을 보이는지 검토할 때 활용됩니다. 만약 특정 인종 집단의 승인률이 현저히 낮다면, 편향이 존재할 수 있음을 시사합니다.

---

## 참고 자료 및 관련 문서

- [Dwork, C. et al. (2012). "Fairness Through Awareness"](https://arxiv.org/abs/1104.3913)  
- Barocas, S., Hardt, M., & Narayanan, A. (2019). *Fairness and Machine Learning* - [fairmlbook.org](https://fairmlbook.org)
- 한국정보화진흥원(NIA). (2023). 『AI 윤리 및 공정성 가이드라인』

> **관련 개념**: 공정성 기준, 알고리즘 편향, 민감한 특성, AI 윤리, 집단 공정성

통계적 평등은 AI 시스템의 공정성을 평가하는 첫걸음으로 유용하지만, 맹목적으로 적용하기보다는 도메인의 맥락과 다른 공정성 기준과의 균형을 고려하여 신중하게 활용되어야 합니다.