ICMLJan, 2019

多状态保护变量下的公平深度聚类

PDF
TL;DR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。
fair clusteringdisparate impact doctrineprotected groupsdeep fair clusteringdegree of fairness
发现论文，激发创造
  • 深度公平判别聚类

    本研究基于深度聚类方法，提出了一种结合公平性目标的自适应学习算法，以解决群体层面的公平性问题，其实现步骤包括将整数线性规划嵌入到判别式深度聚类主干中，多状态受保护状态变量（PSVs）的分类等。实验数据表明，本算法优于现有公平聚类算法，并且适用于具有灵活公平性约束的任务。

    May, 2021

  • 公平分簇

    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。

    Feb, 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

  • 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

  • 通过层级公平 - 狄利克雷过程实现公平聚类

    本文提出了一种基于模型的公平聚类方法，补充了现有大多数基于适当目标函数优化的文献，致力于解决机器学习带来的算法公平性问题。

    May, 2023

  • 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

  • 多敏感属性聚类的公平性

    本文提出了一种公平的聚类方法 FairKM，它基于流行的 K-Means 聚类公式，通过计算公平性与集群一致性目标，得到了公平的聚类。实证评估表明，FairKM 产生的集群在聚类质量和对敏感属性组的公平呈现方面都有显著提高。

    Oct, 2019

  • 可视化聚类中的公平性：一种新型 Transformer 聚类方法

    本文提出了一种新的损失函数和注意力机制，以促进聚类模型的公平性和减少人口统计学偏差，实验结果表明该方法在多个敏感属性上提高了聚类准确性和公平性。

    Apr, 2023

  • 从离散到连续：具有可传递表示的深度公平聚类

    我们提出了一种灵活的深度公平聚类方法，可以同时处理离散和连续的敏感属性，通过设计一个信息瓶颈风格的目标函数来学习公平和友好的聚类表示，并首次探索了从聚类任务中提取的表示的可转移性到其他下游任务，实验证明我们的方法相比现有方法具有优势。

    Mar, 2024

  • 双重约束公平聚类

    本文探讨了公平聚类中两种最广泛的人口统计学表示公平概念，并表明了通过近似算法可实现同时满足两个约束条件的恒定近似解。此外，GF 和 DS 与其他基于距离的公平概念不兼容，并进行实验以验证理论发现。

    May, 2023