Feb, 2018
公平分簇
Fair Clustering Through Fairlets
Flavio Chierichetti, Ravi Kumar, Silvio Lattanzi, Sergei Vassilvitskii
TL;DR本文研究了如何在保护隐私的前提下实现公平聚类,提出了公平小集(fairlets)的概念,并基于最小代价流设计出高效的近似算法,在实际数据集中验证了公平聚类的价值。
Abstract
We study the question of fair clustering under the {\em disparate impact}
doctrine, where each protected class must have approximately equal
representation in every cluster. We formulate the →
发现论文,激发创造
论基本公平聚类的代价
本文提出了针对多个保护类的公平聚类方法,并且提出了一种松散的公平概念,在这种概念下,可以对所有经典聚类目标进行双标准常数因子近似,这是通过将任意现有不公平的(整数)解和公平的(分数)线性规划解结合起来实现的。
Nov, 2018
公平的聚类算法
本文研究如何在数据中找到低成本的公平聚类问题,针对数据点可能属于多个受保护群体的情况,通过允许用户指定定义公平表示的参数、在任何 Lp 范数目标上工作的聚类算法以及允许个体属于多个保护群体的算法,将任何普通聚类解转换为公平聚类解,实验表明,在实践中算法的表现比理论结果更好。
Jan, 2019
公平相关聚类
本研究探讨了在公平约束下的相关性聚类,通过引入新的组合优化问题,在多种公正性约束条件下,获得了公平相关聚类的近似算法。同时,通过对真实图形的算法进行深入分析,表明与现有的不公平算法相比,可以在有限的成本增加下获得相关聚类的公平解决方案。
Feb, 2020
多状态保护变量下的公平深度聚类
本论文研究了不同群体下公平聚类问题。作者提出了一种基于深度学习的算法 Deep Fair Clustering 来实现公平聚类,实验结果表明,该方法在保证聚类质量的基础上,大幅提高了公平性水平。
Jan, 2019
聚类中的分布式个体公平性
本文研究公平聚类问题并提出了采用 f - 散度测量统计相似度,以确保相似的个体得到类似的对待,该方案保证了群体公平性与个人公平性。在 $p$- 范目标的约束下,我们提供了可证明的近似保证聚类算法。同时,我们还考虑了群体公正和个人公正在受保护群体内的实现条件,并证明了个人公平性是群体公平性的必要条件。实验证明了这种方法的有效性。
Jun, 2020