本论文在度量空间中探讨了公平机器学习领域中比例质心聚类问题,定义了公平性并提出了计算、优化和审计聚类方案的算法,分析了比例方案与 K-Means 指标之间的权衡关系。
May, 2019
本文主要考虑聚类算法在实际应用中保证群体公平性的问题,并提出了相应的算法。在该算法中,决策者运行聚类算法,检查每个簇的中心并为其相应的簇分配一个适当的结果。
May, 2022
本文研究了公平聚类的结构、计算及近似算法,并提出了群组代表性聚类的思想,旨在解决公平聚类与聚类代表性之间的矛盾问题。
Jun, 2020
本文研究在传统的分类中引入公正性准则,探索公平的分层聚类算法以解决机器学习系统中的过度表达问题。我们为多种自然目标提供了简单高效的算法,能够找到一个合理的公正的分层聚类,同时只会带来微不足道的目标损失。
我们研究了陈等人的比例聚类问题,并将其与计算社会选择中的多胜者投票领域相关联。我们展示了任何满足 Brill 和 Peters 的弱比例概念的聚类同时获得陈等人比例公平概念、个体公平和 “核心” 的最佳已知拟合度。事实上,我们证明了任何对比例公平的近似也是对个体公平的近似,反之亦然。最后,我们还研究了比例代表性更强的概念,在这些概念中,偏差不仅发生在单个候选中心,还发生在多个候选中心,并且展示了 Brill 和 Peters 的更强比例概念对这些更严格的保证的拟合度。
Oct, 2023
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
本文针对聚类问题,研究了在不完全了解群组成员的情况下的公平性聚类问题,并提出了一种基于概率分配的聚类算法,可保证近似度。同时还探讨了一些基于距离和顺序的群组成员问题。通过实验验证了该方法的有效性。
本文介绍了一种基于代表函数的方法,证明了其可实现机器学习中的公平,适用于聚合模型,具有透明度和防止恶性激励的优势,并应用于金融和刑事司法数据集。
Oct, 2017
本文介绍并研究了联邦学习中的公平性问题,提出了一种新的公平性概念 —— 比例公平性,并通过 Bargaining Games 建立联系,进而提出了一种简单易实现的算法 PropFair,用于在联邦学习中寻找比例公平的解,该算法可以在视觉和语言数据集上进行广泛的实验证明,平衡了所有客户端和最差的 10% 客户端的平均性能。
Feb, 2022
聚类算法可能无意中传播或加剧现有的不平等,导致不公正的表示或有偏见的决策。本文提出了一种聚类方法,该方法结合因果公平度量,以在无监督学习中提供更细致入微的公平方式。我们的方法使得可以指定应该最小化的因果公平度量,并使用已知具有不公平偏差的数据集证明了我们方法的功效。
Dec, 2023