本研究は、公平な回帰分析におけるフェアネス確保を目的とした「FairReweighing」と呼ばれる再重み付けアルゴリズムを提案しています。AIが多くの分野で利用される中、特に回帰タスクにおいて公平性を保証する手法の探求が不足している状況を背景にしています。従来の研究は主に二項分類タスクに集中していましたが、本研究では、相互情報に基づくメトリックを導入し、回帰と分類の両方の問題に適用できるよう拡張しています。この新しいアルゴリズムは、学習モデルが分離基準を満たすことを保証します。理論的には、データの独立性を前提に、提案したFairReweighingアルゴリズムがトレーニングデータにおいて分離を保証できることを示しています。また、合成データと実データの両方で、FairReweighingが既存の最先端の回帰フェアネス手法よりも分離の改善で優れていることを実証しました。