# 패리티 모델 (Parity Model)

## 1. 개요
패리티 모델(Parity Model)은 사용되는 맥락에 따라 크게 두 가지 서로 다른 의미로 정의됩니다.

*   **[컴퓨터 과학: 오류 검출]**: 데이터 전송 중 발생하는 비트 오류를 검출하기 위해 데이터의 짝수/홀수 성질(동등성)을 이용하는 논리적 모델입니다. 주로 **패리티 비트(Parity Bit)** 개념으로 활용됩니다.
*   **[데이터 과학: 공정성 지표]**: 머신러닝 모델의 예측 결과가 성별, 인종 등 특정 민감 속성에 관계없이 균등하게 나타나는지를 측정하는 **공정성 지표(Fairness Metrics)**의 기준으로 활용됩니다.

## 2. 작동 원리 및 메커니즘
패리티 모델의 핵심 논리는 **배타적 논리합(XOR, Exclusive OR)** 연산에 기반합니다. 입력 데이터의 비트(Bit) 값들을 순차적으로 XOR 연산하면, 최종 결과값은 입력된 '1'의 개수가 짝수인지 홀수인지에 따라 결정됩니다.

### 2.1 논리적 구조
1. **입력**: 이진수 형태의 데이터 스트림 또는 벡터.
2. **연산**: 모든 입력 비트를 XOR 연산자로 연결.
3. **판별**: 결과값이 0이면 짝수(Even), 1이면 홀수(Odd)로 판별 (짝수 패리티 기준).

**[XOR 연산 진리표]**
| 입력 A | 입력 B | 결과 (A $\oplus$ B) |
| :---: | :---: | :---: |
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |

### 2.2 입력값에 따른 패리티 비트 생성 (짝수 패리티 기준)

| 입력 데이터 (Binary) | '1'의 개수 | XOR 연산 과정 | 계산된 패리티 비트 | 최종 데이터 상태 (데이터+패리티) |
| :--- | :---: | :--- | :---: | :---: |
| `1011` | 3 (홀수) | $1 \oplus 0 \oplus 1 \oplus 1$ | 1 | `10111` (짝수) |
| `1100` | 2 (짝수) | $1 \oplus 1 \oplus 0 \oplus 0$ | 0 | `11000` (짝수) |
| `0000` | 0 (짝수) | $0 \oplus 0 \oplus 0 \oplus 0$ | 0 | `00000` (짝수) |
| `1111` | 4 (짝수) | $1 \oplus 1 \oplus 1 \oplus 1$ | 0 | `11110` (짝수) |

## 3. 패리티 문제와 머신러닝
패리티 문제는 단순한 오류 검출을 넘어 머신러닝의 학습 난이도를 설명하는 중요한 사례로 사용됩니다.

### 3.1 딥러닝의 XOR 문제와 패리티 학습
**XOR 문제**는 단층 퍼셉트론(Single-Layer Perceptron)이 해결할 수 없는 '선형 분리 불가능(Linearly Inseparable)' 문제의 대표 사례입니다.
*   **관계성**: 패리티 모델은 XOR 연산의 확장판입니다. 입력 비트가 $n$개로 늘어난 $n$-bit 패리티 문제는 고차원의 비선형 결정 경계를 필요로 합니다.
*   **학습 난이도**: 패리티 함수는 입력값 중 단 하나만 바뀌어도 출력값이 완전히 반전되는 특성이 있어, 경사 하강법(Gradient Descent) 기반의 신경망이 학습하기 매우 까다로운 구조를 가집니다. 이를 해결하기 위해 다층 퍼셉트론(MLP)과 비선형 활성화 함수가 도입되었습니다.

### 3.2 주요 유형: 짝수 패리티와 홀수 패리티
*   **짝수 패리티(Even Parity)**: 전체 비트 중 '1'의 개수가 짝수가 되도록 패리티 비트를 추가합니다. '1'의 개수가 홀수라면 패리티 비트를 1로 설정합니다.
*   **홀수 패리티(Odd Parity)**: 전체 비트 중 '1'의 개수가 홀수가 되도록 패리티 비트를 추가합니다. '1'의 개수가 짝수라면 패리티 비트를 1로 설정합니다.

## 4. 공정성 지표 (Fairness Metrics)
데이터 과학에서 패리티 모델은 알고리즘의 사회적 공정성을 평가하는 기준으로 확장됩니다. 여기서 패리티는 '결과의 동등성'을 의미합니다.

### 4.1 인구통계학적 패리티 (Demographic Parity)
특정 민감 속성(예: 성별 $A, B$)에 관계없이 긍정적인 예측 결과(예: 대출 승인)를 받을 확률이 동일해야 한다는 원칙입니다.
*   **수식**: $\text{P}(\hat{Y}=1 | A=a) = \text{P}(\hat{Y}=1 | A=b)$
*   **보조 설명**: (A그룹의 긍정 예측 확률 = B그룹의 긍정 예측 확률)
*   **구체적 사례**: AI 채용 시스템에서 남성 지원자의 합격률이 20%라면, 여성 지원자의 합격률 또한 20%가 되어야 한다는 것입니다. 만약 남성 합격률은 30%인데 여성 합격률이 10%라면, 이 모델은 인구통계학적 패리티를 만족하지 못하며 성별 편향이 있다고 판단합니다.

### 4.2 등화된 기회 (Equalized Odds)
단순한 결과의 비율이 아니라, 실제 정답(Ground Truth)이 긍정인 경우에 대해 모델이 긍정으로 예측할 확률(True Positive Rate)이 그룹 간에 동일해야 함을 의미합니다. 이는 실제 역량이 뛰어난 사람이 그룹에 관계없이 동일하게 합격할 확률을 보장하는 더 정교한 지표입니다.

## 5. 활용 사례 및 응용 분야
*   **통신 시스템**: 네트워크 전송 중 노이즈로 인한 비트 반전을 확인하는 기초적인 오류 검출(Error Detection) 수단으로 사용됩니다.
*   **하드웨어 메모리**: ECC(Error Correction Code) 메모리의 전 단계로서, RAM 내 데이터 무결성을 검증하기 위해 패리티 체크를 수행합니다.
*   **AI 윤리 평가**: 채용 AI나 신용 평가 모델이 특정 인종이나 성별에 편향되었는지 측정하는 벤치마크 모델로 활용됩니다.

## 6. 한계점 및 해결 방안
단순 패리티 모델은 **'오류 검출은 가능하지만 수정은 불가능하다'**는 한계가 있습니다. 비트 하나가 바뀌어 패리티가 깨진 것은 알 수 있지만, 정확히 어느 위치의 비트가 바뀌었는지는 알 수 없어 데이터를 복구할 수 없습니다. 또한, 2개의 비트가 동시에 바뀌면 다시 패리티가 맞아떨어져 오류를 감지하지 못하는 '미검출 오류'가 발생합니다.

이를 해결하기 위해 더 복잡한 체크섬(Checksum)이나 **해밍 코드(Hamming Code)**와 같은 오류 정정 코드(ECC)가 사용됩니다.

### 패리티 모델 vs 해밍 코드 비교

| 구분 | 패리티 모델 (Parity) | 해밍 코드 (Hamming Code) |
| :--- | :--- | :--- |
| **주요 목적** | 오류 검출 (Detection) | 오류 검출 및 수정 (Detection & Correction) |
| **오버헤드** | 매우 낮음 (비트 1개 추가) | 상대적으로 높음 (여러 개의 체크 비트 필요) |
| **수정 능력** | 수정 불가능 (재전송 요청 필요) | 1비트 오류 자동 수정 가능 (SEC) |
| **복잡도** | 단순 XOR 연산 | 행렬 연산 및 신드롬(Syndrome) 계산 필요 |

## 7. 구현 예제 (Python)

```python
def calculate_even_parity(data: str) -> str:
    """
    입력된 이진 문자열에 대해 짝수 패리티 비트를 계산하여 추가합니다.
    """
    ones_count = data.count('1')
    parity_bit = '0' if ones_count % 2 == 0 else '1'
    return data + parity_bit

def verify_parity(received_data: str) -> bool:
    """
    수신된 데이터(데이터+패리티비트)의 패리티가 올바른지 검증합니다.
    """
    ones_count = received_data.count('1')
    return ones_count % 2 == 0

# --- 테스트 실행 ---
original_data = "1011" # '1'이 3개 (홀수)
encoded_data = calculate_even_parity(original_data)
print(f"원본 데이터: {original_data} -> 인코딩 데이터: {encoded_data}") # 결과: 10111

# 정상 수신 케이스
print(f"검증 결과 (정상): {verify_parity(encoded_data)}") # True

# 오류 발생 케이스 (비트 하나가 반전됨)
corrupted_data = "10011" # 10111 -> 10011 (두 번째 비트 오류)
print(f"검증 결과 (오류): {verify_parity(corrupted_data)}") # False
```

분류: 기술 / 데이터과학 / 기준 모델