💻 computer science

Measuring Database Unfairness via Dependency Quantification Under Differential Privacy

यह शोध पत्र डिफरेंशियल प्राइवेसी के तहत डेटाबेस पक्षपात (unfairness) को मापने के लिए एक औपचारिक ढांचे और तीन पूरक उपायों का प्रस्ताव करता है, जो मजबूत गोपनीयता गारंटी बनाए रखते हुए गैर-निजी पक्षपात मूल्यांकन का प्रभावी ढंग से अनुमान लगाने वाले गोपनीयता-संरक्षित एल्गोरिदम प्रदान करता है।

मूल लेखक: Mariia Vologdin, Yuchao Tao, Amir Gilad

प्रकाशित 2026-05-25✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mariia Vologdin, Yuchao Tao, Amir Gilad

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास व्यक्तिगत कहानियों (एक डेटाबेस) का एक विशाल पुस्तकालय है जो लोगों की नौकरियों, स्वास्थ्य या आपराधिक रिकॉर्ड के बारे में है। आप इस पुस्तकालय का उपयोग निर्णय लेने के लिए करना चाहते हैं, जैसे कि किसे ऋण (loan) मिलना चाहिए या किसे नौकरी मिलनी चाहिए। लेकिन एक पेच है: आपको हर किसी की गोपनीयता (privacy) की रक्षा करनी होगी। इसे करने के लिए, आप डेटा में एक विशेष प्रकार का "सांख्यिकीय कोहरा" (जिसे डिफरेंशियल प्राइवेसी कहा जाता है) जोड़ते हैं। यह कोहरा व्यक्तिगत विवरणों को छिपा देता है ताकि किसी की पहचान न हो सके, लेकिन यह डेटा को थोड़ा धुंधला और शोर भरा (noisy) भी बना देता है।

समस्या यह है: आप कैसे जानेंगे कि यह धुंधला डेटा अभी भी निष्पक्ष (fair) है या नहीं?

यदि मूल डेटा पक्षपाती था (उदाहरण के लिए, इसने महिलाओं की तुलना में पुरुषों को अनुचित रूपते से फायदा पहुँचाया), तो इसका धुंधला संस्करण भी उस पक्षपात को ढो सकता है, या शोर (noise) उस पक्षपात को और भी बदतर बना सकता है। आमतौर पर, हम निष्पक्षता की जाँच करने के लिए एक कंप्यूटर मॉडल (जैसे एक रोबोट जज) को उस डेटा पर प्रशिक्षित करते हैं। लेकिन यह शोध पत्र तर्क देता है कि यह केक को केवल तभी चेक करने जैसा है जब वह बन चुका हो। इसके बजाय, हमें केक बनाने से पहले ही सामग्रियों (डेटा) की गुणवत्ता की जाँच करनी चाहिए।

यहाँ इस शोध पत्र का समाधान सरल भाषा में दिया गया है:

मुख्य विचार: "अनुचितता" को सीधे मापना

लेखकों ने डेटाबेस की अनुचितता को सीधे मापने के लिए एक टूलकिट बनाया है, भले ही डेटा गोपनीयता के कोहरे से ढका हुआ हो। उन्होंने केवल एक तरीका नहीं बनाया; उन्होंने एक पूर्ण तस्वीर पाने के लिए तीन अलग-अलग "रूलर" (मापक यंत्र) बनाए।

1. "धुंधला दर्पण" (म्युचुअल इंफॉर्मेशन प्रॉक्सी)

अवधारणा: कल्पना कीजिए कि आप दर्पण में एक प्रतिबिंब देख रहे हैं। यदि प्रतिबिंब विकृत है, तो आप जानते हैं कि दर्पण खराब है। यह माप यह जाँचता है कि "संवेदनशील" विशेषता (जैसे जाति या लिंग) "परिणाम" (जैसे आय) के साथ कितनी उलझी हुई है।
समस्या: इस उलझाव को मापने का मानक तरीका गोपनीयता के कोहरे के प्रति बहुत संवेदनशील है; शोर परिणाम को पूरी तरह से अस्त-व्यस्त कर देगा।
समाधान: लेखकों ने एक प्रॉक्सी रूलर (जिसे $U^{TVD}_{MI}$ कहा जाता है) बनाया। इसे एक मजबूत, कम-रिज़ॉल्यूशन वाले दर्पण के रूप में समझें। यह हर सूक्ष्म विवरण नहीं दिखाता है, लेकिन यह इस बात का बहुत सटीक और स्थिर माप देता है कि डेटा कितना "उलझा" हुआ है, भले ही वह कोहरे के माध्यम से हो। यह आपको बताता है, "हे, जाति और आय अभी भी यहाँ बहुत करीब से जुड़े हुए हैं," बिना कच्चे आंकड़ों को देखे।

2. "ठीक करने की लागत" (डेटा रिपेयर प्रॉक्सी)

अवधारणा: कल्पना कीजिए कि आपके पास बेमेल मोजों का एक ढेर है। ढेर को पूरी तरह से निष्पक्ष बनाने के लिए आपको कितने मोजे फेंकने होंगे या बदलने होंगे? यह माप डेटा को ठीक करने के लिए आवश्यक न्यूनतम परिवर्तनों की संख्या की गणना करता है।
समस्या: मोजों को बदलने के सटीक नंबर की गणना करना एक गणितीय दुःस्वप्न है (इतना कठिन कि बड़े पुस्तकालयों के लिए कंप्यूटरों को वर्षों लग जाएंगे)।
समाधान: लेखकों ने इसे MaxSAT (एक लॉजिक गेम) नामक एक पहेली खेल में बदल दिया। एकदम सटीक सुधार खोजने के बजाय, उन्होंने एक बहुत अच्छा, तेज़ अनुमान पाया। यह घर के ब्लूप्रिंट को देखकर घर को ठीक करने की लागत का अनुमान लगाने जैसा है, बजाय इसके कि हर कमरे में जाकर देखा जाए। यह एक स्कोर देता है: "इस डेटा को निष्पक्ष बनाने के लिए लगभग 5,000 बदलाव करने होंगे।"

3. "खराब सेब" डिटेक्टर (टॉप-k कंट्रीब्यूशन)

अवधारणा: कभी-कभी कोई डेटासेट इसलिए अनुचित नहीं होता क्योंकि सब कुछ गलत है, बल्कि इसलिए होता है क्योंकि कुछ विशिष्ट रिकॉर्ड वास्तव में "खराब सेब" की तरह होते हैं जो परिणामों को बिगाड़ देते हैं।
समाधान: यह माप ( $U_{TC}$ ) डेटा को देखता है और उन शीर्ष $k$ सबसे प्रभावशाली रिकॉर्ड्स (खराब सेबों) को चुनता है जो सबसे अधिक अनुचितता पैदा कर रहे हैं। यह उनके प्रभाव को जोड़ता है।
यह क्यों उपयोगी है: यह एक डॉक्टर की तरह है जो कहता है, "आपका स्वास्थ्य स्कोर कम है, लेकिन यह मुख्य रूप से इन तीन विशिष्ट समस्याओं के कारण है।" यह आपको सटीक रूप से बताता है कि अनुचितता कहाँ छिपी है, भले ही डेटा शोर भरा हो।

उन्होंने इसका परीक्षण कैसे किया

लेखकों ने इन तीन रूलर्स का परीक्षण वास्तविक दुनिया के डेटासेट्स (जैसे अमेरिकी आय के बारे में प्रसिद्ध "Adult" डेटासेट और आपराधिक पुनरावृत्ति के बारे में "Compas" डेटासेट) पर किया।

उन्होंने रूलर्स की "असली चीज़" से तुलना की: उन्होंने जाँच की कि क्या उनके गोपनीयता-सुरक्षित रूलर्स ने गैर-निजी डेटा पर उपयोग किए जाने वाले निष्पक्षता मापों के समान परिणाम दिए। परिणाम: हाँ! रूलर्स ने रुझानों को वफादारी से ट्रैक किया। यदि डेटा अधिक अनुचित हुआ, तो रूलर के नंबर बढ़ गए।
उन्होंने रोबोट जजों से तुलना की: उन्होंने निजी डेटा पर AI मॉडल को प्रशिक्षित किया और मॉडल की निष्पक्षता की जाँच की। उन्होंने पाया कि उनके डेटा-स्तरीय रूलर्स ने मॉडलों की निष्पक्षता संबंधी समस्याओं की बहुत अच्छी भविष्यवाणी की।
उन्होंने गति की जाँच की: दो रूलर्स बहुत तेज़ थे (सेकंडों में चलते हैं), जबकि "ठीक करने की लागत" वाला एक धीमा था (क्योंकि यह एक जटिल लॉजिक पहेली को हल कर रहा है), लेकिन फिर भी गहरे विश्लेषण के लिए उपयोगी था।

बड़ा निष्कर्ष

यह शोध पत्र निजी डेटा की निष्पक्षता का ऑडिट करने का पहला व्यावहारिक तरीका प्रदान करता है।

यह देखने के बजाय कि एक पक्षपाती AI मॉडल कब बुरा निर्णय लेता है, अब आप इन तीन उपकरणों का उपयोग करके स्वयं डेटा को देख सकते हैं और कह सकते हैं:

"ये दो चीजें बहुत करीब से जुड़ी हुई हैं (दर्पण)।"
"डेटा को ठीक करने के लिए इतने बदलाव करने होंगे (ठीक करने की लागत)।"
"ये विशिष्ट रिकॉर्ड मुख्य अपराधी हैं (खराब सेब)।"

यह संगठनों को अपने डेटा पर भरोसा करने, यह सुनिश्चित करने कि वे न्यायसंगत हैं, और बेहतर निर्णय लेने की अनुमति देता है, जबकि व्यक्तिगत गोपनीयता को सख्ती से सुरक्षित रखा जाता है।

तकनीकी सारांश: डिफरेंशियल प्राइवेसी के तहत डिपेंडेंसी क्वांटिफिकेशन के माध्यम से डेटाबेस अनफेयरनेस (अन्यायता) को मापना

समस्या विवरण

डिफरेंशियल प्राइवेसी (DP) संवेदनशील डेटा की सुरक्षा के लिए एक मानक बन गया है, फिर भी शोर (noise) का समावेश और प्रतिबंधित डेटा एक्सेस एक महत्वपूर्ण चुनौती पैदा करते हैं: निजी डेटासेट की निष्पक्षता (fairness) और विश्वसनीयता का आकलन करना। हालांकि एल्गोरिद्मिक निष्पक्षता (जैसे, डेमोग्राफिक पैरिटी, कंडीशनल स्टैटिस्टिकल पैरिटी) पर व्यापक शोध मौजूद है, ये परिभाषाएँ मॉडल के व्यवहार पर ध्यान केंद्रित करती हैं न कि स्वयं डेटा पर। यदि कोई डेटासेट संरक्षित विशेषताओं (जैसे, जाति, लिंग) और परिणाम विशेषताओं के बीच पक्षपाती संबंधों को एनकोड करता है, तो अच्छी तरह से डिज़ाइन किए गए एल्गोरिदम भी इन असमानताओं को पुनरुत्पादित या बढ़ा सकते हैं।

यह कार्य जिस मुख्य समस्या को संबोधित करता है वह DP बाधाओं के तहत डेटा-स्तरीय अनफेयरनेस को सीधे मापने के लिए एक ढांचे (framework) का अभाव है। डेटा विसंगति या गुणवत्ता को मापने के मौजूदा तरीके सीधे तौर पर अनफेयरनेस को संबोधित नहीं करते हैं, और मानक निष्पक्षता मेट्रिक्स अक्सर DP द्वारा पेश किए गए शोर के तहत विफल हो जाते हैं। लेखक एक सिद्धांतपूर्ण, मात्रात्मक ढांचे को विकसित करने का लक्ष्य रखते हैं जो तब भी सार्थक बना रहे जब DP को संतुष्ट करने के लिए पर्याप्त शोर जोड़ा गया हो।

कार्यप्रणाली (Methodology)

लेखक विसंगति मापों और DP आवश्यकताओं से प्राप्त तीन मुख्य 'डेसिडेराटा' (desiderata) पर आधारित अनफेयरनेस को मापने के लिए एक औपचारिक ढांचा प्रस्तावित करते हैं:

पॉजिटिविटी (Positivity): माप गैर-ऋणात्मक होना चाहिए और शून्य तभी होना चाहिए जब डेटाबेस सभी निष्पक्षता मानदंडों को पूरा करता हो।
मोनोटोनिसिटी (Monotonicity): निष्पक्षता मानदंडों के सेट का विस्तार करने से मापी गई अनफेयरनेस कम नहीं होनी चाहिए।
DP कंप्यूटेबिलिटी (DP Computability): माप को DP के तहत कुशलतापूर्वक और सटीक रूप से गणना योग्य होना चाहिए, जिससे जोड़े गए शोर के बावजूद व्याख्यात्मकता बनी रहे।

इन मानदंडों को पूरा करने के लिए, पेपर संभाव्यता निर्भरता (probabilistic dependence), डेटा रिपेयर और टुपल योगदान पर आधारित तीन पूरक उपायों को पेश करता है।

1. म्यूचुअल इंफॉर्मेशन-आधारित माप ( $U^{TVD}_{MI}$ )

मानक म्यूचुअल इंफॉर्मेशन (MI) निर्भरता के लिए एक सामान्य मीट्रिक है लेकिन DP के लिए अनुपयुक्त है क्योंकि इसकी संवेदनशीलता (sensitivity) उच्च ( $O(\log n / n)$ ) है और इसकी रेंज अनबाउंडेड है, जिससे इसे व्याख्या करना कठिन हो जाता है और शून्य के करीब मानों पर लाप्लास शोर (Laplace noise) द्वारा गंभीर विरूपण होने की संभावना रहती है।

दृष्टिकोण: लेखक टोटल वेरिएशन डिस्टेंस (TVD) पर आधारित एक प्रॉक्सी प्रस्तावित करते हैं। वे $U^{TVD}_{MI}$ को संरक्षित ( $P$ ) और परिणाम ( $O$ ) विशेषताओं (एडमिसेबल विशेषताओं $A$ पर आधारित) के संयुक्त वितरण और उनके मार्जिनल्स के गुणनफल के बीच $2 \cdot \text{TVD}^2$ के रूप में परिभाषित करते हैं।
विशेषताएं: यह प्रॉक्सी बाउंडेड ( $[0, 2]$ ) है, इसकी संवेदनशीलता कम ( $16|F|/n$ ) है, और यह सिद्धांत और व्यवहार दोनों में MI का बारीकी से अनुमान लगाती है, जो पॉजिटिविटी और मोनोटोनिसिटी मानदंडों को पूरा करती है।

2. डेटा रिपेयर-आधारित माप ( $U^{SAT}_{R}$ )

डेटा रिपेयर साहित्य से प्रेरित, यह माप उन न्यूनतम टुपल संशोधनों (इंसर्शन/डिलीशन) को मात्रात्मक रूप देता है जो डेटासेट को निष्पक्ष बनाने के लिए आवश्यक हैं।

दृष्टिकोण: इष्टतम रिपेयर खोजना कम्प्यूटेशनल रूप से कठिन (NP-hard) है। लेखक पूर्व कार्य [80] से एक रिडक्शन को अनुकूलित करते हैं जो रिपेयर समस्या को वेटेड मैक्स-सैट (Weighted MaxSAT) समस्या में बदल देता है। वे $U^{SAT}_{R}$ को एक SAT सॉल्वर के माध्यम से पाए गए इष्टतम रिपेयर की लागत के रूप में परिभाषित करते हैं।
विशेषताएं: यह माप पॉजिटिविटी और मोनोटोनिसिटी को संतुष्ट करता है। इसकी संवेदनशीलता $2|F|$ द्वारा सीमित है। SAT सॉल्वर के कारण यह कम्प्यूटेशनल रूप से महंगा है, लेकिन यह संरचनात्मक डेटा विसंगतियों पर आधारित एक सूक्ष्म धारणा को पकड़ता है।

3. टॉप- $k$ टुपल योगदान माप ($UTC$)

यह माप उन सबसे प्रभावशाली रिकॉर्ड्स को अलग करता है जो निष्पक्षता उल्लंघन में योगदान देते हैं।

दृष्टिकोण: प्रत्येक टुपल के लिए, लेखक एक मार्जिनल डिफरेंस (MD) की गणना करते हैं, जो स्वतंत्रता की स्थिति से प्रेक्षित संयुक्त संभाव्यता के विचलन का प्रतिनिधित्व करता है। $UTC $माप सबसे बड़े योगदान वाले शीर्ष-$ k$ टुपल्स के MD मानों का योग है।
विशेषताएं: यह अनफेयरनेस का टुपल-स्तरीय दृश्य प्रदान करता है। इसकी संवेदनशीलता $k$ और डेटासेट के आकार ( $O(k/n)$ ) पर निर्भर करती है। यह विशिष्ट रिकॉर्ड्स की पहचान करके अधिक व्याख्यात्मकता प्रदान करता है जो पूर्वाग्रह (bias) को संचालित कर रहे हैं।

प्राइवेसी-प्रिजर्विंग एल्गोरिदम

प्रत्यकी माप के लिए, लेखक एल्गोरिदम डिजाइन करते हैं जो कच्चे डेटा पर मीट्रिक की गणना करते हैं और फिर $\epsilon$ -DP सुनिश्चित करने के लिए लाप्लास मैकेनिज्म (Laplace Mechanism) लागू करते हैं।

एल्गोरिदम 1 ( $U^{TVD}_{MI}$ ): एम्पिरिकल प्रोबेबिलिटीज और TVD की गणना करता है, फिर संवेदनशीलता $16|F|/n$ के अनुपात में शोर जोड़ता है। जटिलता: $O(|F|n)$ ।
एल्गोरिदम 2 ( $U^{SAT}_{R}$ ): डेटाबेस के सेल्फ-जॉइन से एक CNF फॉर्मूला बनाता है, वेटेड MaxSAT समस्या को हल करता है, और संवेदनशीलता $2|F|$ के अनुपात में शोर जोड़ता है। जटिलता: $O(|F|(n^4 + SAT))$ ।
एल्गोरिदम 3 ($UTC$): सभी टुपल्स के लिए MD की गणना करता है, उन्हें सॉर्ट करता है, शीर्ष- $k$ का योग करता है, और फिर संवेदनशीलता $7k|F|/n$ (कंडीशनल) या $3k|F|/n$ (अनकंडीशनल) के अनुपात में शोर जोड़ता है। जटिलता: $O(|F|n \log n)$ ।

मुख्य योगदान

औपचारिक ढांचा (Formal Framework): निजी डेटा अनफेयरनेस को सीधे डेटा स्तर पर मापने के लिए एक व्यावहारिक ढांचा प्रदान करने वाला पहला कार्य, जो विशिष्ट डेसिडेराटा (पॉजिटिविटी, मोनोटोनिसिटी, DP कंप्यूटेबिलिटी) को परिभाषित करता है।
तीन नवीन माप:
- $U^{TVD}_{MI}$ : टोटल वेरिएशन डिस्टेंस का उपयोग करके म्यूचुअल इंफॉर्मेशन के लिए एक DP-उपयुक्त प्रॉक्सी।
- $U^{SAT}_{R}$ : वेटेड MaxSAT में रिडक्शन के माध्यम से अनुमानित, डेटा-रिपेयर प्रेरित माप।
- $UTC $: निष्पक्षता उल्लंघनों में सबसे प्रभावशाली रिकॉर्ड की पहचान करने वाला एक टॉप-$ k$ टुपल योगदान माप।
सैद्धांतिक गारंटी: औपचारिक प्रमाण कि तीनों माप प्रस्तावित डेसिडेराटा को संतुष्ट करते हैं, उनकी रेंज के सापेक्ष कम संवेदनशीलता प्रदर्शित करते हैं, और DP के तहत सीमित त्रुटि के साथ गणना योग्य हैं।
अनुभवजन्य सत्यापन (Empirical Validation): पांच वास्तविक दुनिया के डेटासेट्स (Adult, IPUMS-CPS, Stackoverflow, Compas, Healthcare) पर व्यापक प्रयोग यह प्रदर्शित करते हैं कि प्रस्तावित उपाय उनके नॉन-प्राइवेट बेसलाइन्स और मानक ML निष्पक्षता मेट्रिक्स (जैसे, डेमोग्राफिक पैरिटी गैप) का सफलतापूर्वक अनुसरण करते हैं, पूर्वाग्रह को प्रभावी ढंग से मात्रात्मक रूप देते हैं, और बड़े डेटासेट्स तक स्केल करते हैं।

परिणाम

विश्वसनीयता (Faithfulness): प्रस्तावित उपाय अपने नॉन-प्राइवेट बेसलाइन्स और मानक ML निष्पक्षता मेट्रिक्स (जैसे, डेमोग्राफिक पैरिटी गैप्स) के रुझानों का पालन करते हैं। विशेष रूप से, $U^{TVD}_{MI}$ मानक म्यूचुअल इंफॉर्मेशन का बारीकी से अनुसरण करता है, और $UTC$ डेमोग्राफिक पैरिटी गैप के साथ मोनोटोनिक रूप से बढ़ता है।
अनफेयरनेस के प्रति संवेदनशीलता: उपाय अनफेयरनेस के विभिन्न स्तरों का सही ढंग से पता लगाते हैं। $U^{SAT}_{R}$ बढ़ती अनफेयरनेस के साथ लगभग रैखिक वृद्धि प्रदर्शित करता है, जबकि $U^{TVD}_{MI}$ और $UTC$ लॉगरिदमिक वृद्धि दिखाते हैं।
स्केलेबिलिटी (Scalability): एल्गोरिदम 3 ($UTC $) आम तौर पर सबसे तेज़ है, उसके बाद एल्गोरिदम 1 ($ U^{TVD}{MI} $) आता है। एल्गोरिदम 2 ($ U^{SAT}{R}$) MaxSAT सॉल्वर के कारण काफी धीमा ( $10^2$ – $10^3$ गुना) है, लेकिन अपने सूक्ष्म दृष्टिकोण के लिए मूल्यवान बना हुआ है।
प्राइवेसी-एक्यूरेसी ट्रेडऑफ़: जैसे-जैसे प्राइवेसी बजट ( $\epsilon$ ) बढ़ता है, सभी एल्गोरिदम की सापेक्ष त्रुटि कम होती जाती है। एल्गोरिदम 2 अपने बड़े परिमाण के कारण सबसे सटीक है, जबकि एल्गोरिदम 3 छोटे समूह आकारों के लिए सबसे कम सटीक है क्योंकि इसकी संवेदनशीलता अधिक है।
उपयोग के मामले (Use Cases): ये उपाय प्रभावी प्री-क्वेरी ट्रस्ट इंडिकेटर के रूप में कार्य करते हैं, जो शोर वाले क्वेरी परिणामों की व्याख्या करने में मदद करते हैं और उन डेटासेट्स की पहचान करते हैं जहाँ पूर्वाग्रह डाउनस्ट्रीम निर्णयों को प्रभावित करने की संभावना होती है।

महत्व और दावे

पेपर का दावा है कि यह डेटा प्रबंधन, निष्पक्षता और डिफरेंशियल प्राइवेसी के बीच के अंतर को पाटता है। डेटा-आधारित निष्पक्षता (data fairness) पर ध्यान केंद्रित करके, लेखक स्वयं डेटा स्रोत की इक्विटी का आकलन करने के लिए एक तंत्र प्रदान करते हैं, जो तब महत्वपूर्ण होता है जब डेटा को पूरी तरह से देखा नहीं जा सकता या जब शोर वाले डेटा से सीखा जा रहा हो।

लेखक अपने कार्य को प्राइवेसी-प्रोटेक्टेड डेटा में निष्पक्षता के व्यवस्थित मूल्यांकन की दिशा में एक मौलिक कदम के रूप में देखते हैं। वे सीमाओं को स्वीकार करते हैं, जिसमें $U^{SAT}_{R}$ में MaxSAT सॉल्वर के लिए एक ह्यूरिस्टिक (heuristic) पर निर्भरता (जो स्केलेबिलिटी में सुधार करती है लेकिन सटीकता को कमजोर कर सकती है), $UTC $में पैरामीटर$ k$ का सिद्धांतपूर्ण चयन, और यह तथ्य कि ये माप कॉज़ल स्ट्रक्चर या डेटा संग्रह पूर्वाग्रहों को ध्यान में रखे बिना केवल एसोसिएशनल स्तर पर कार्य करते हैं।

अंततः, यह ढांचा मॉडल-आधारित निष्पक्षता मूल्यांकन के लिए एक पूरक विकल्प प्रदान करता है, जो डिफरेंशियल प्राइवेसी के संदर्भ में डेटा इक्विटी के लिए स्थिर, विश्वसनीय और व्याख्यात्मक संकेत प्रदान करता है।