公平聚类:因果视角
公平聚类是机器学习和运筹学中的一个基本问题,然而,在算法设计中考虑公平性已变得极其重要,因此公平聚类已经受到研究界的广泛关注。本文对公平聚类进行了批判性的审视,发现了一些被忽视的问题,例如缺乏明确的效用描述和在机器学习环境中考虑公平聚类算法的下游影响的困难。我们还展示了一些情况,在这些情况下,应用公平聚类算法可能对社会福利产生重大负面影响。最后,我们提出了一些旨在推动公平聚类领域更有影响力研究的步骤。
Jun, 2024
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。
Jun, 2020
本文强调通过因果关系的发现步骤,适当地使用因果关系来解决公平性问题的重要性,并且通过使用合成和标准公平性基准数据集的实证分析来证实了即使微小的因果模型差异也可能对公平性 / 歧视的结论产生重大影响。
Jun, 2022
基于 Causal k-Means Clustering 的新解决方案,利用非参数效率理论和双机器学习开发了一种新的偏差校正估计器,在大非参数模型中实现了快速的平方根 - n 收敛速度和渐进正态性,特别适用于具有多个处理水平的现代广泛研究。
May, 2024
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
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。
Jun, 2020
本文提出了一个因果公平性分析的框架,以理解、建模和可能解决决策设置中的公平问题。研究挑战是挖掘潜在的因果机制并将各种公平度量与结构机制和人口单位归因。最后,提出了一个公平的菜谱,以评估不公平对各个人群的影响。
Jul, 2022