KDDFeb, 2024

迈向协和公平和谐：个体公平图聚类中的对比正则化

PDF
TL;DR通过引入公平性正则化，提出了一种个体公平性非负矩阵三因子分解模型（iFairNMTF），该模型能够在平衡和连贯的聚类中实现可定制的准确性 - 公平性权衡，同时提供非负矩阵三因子分解的可解释性，从而增强用户自主性，并在真实和合成数据集上展示了 iFairNMTF 在实现公平性和聚类性能方面的优越灵活性。
fair graph clustering methodscluster cohesionindividual and group-level fairnessnonnegative matrix tri-factorizationfairness and clustering performance
发现论文，激发创造
  • 带有监督对比正则化的公平图神经网络

    我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。

    Apr, 2024

  • 缩小公平鸿沟：在图神经网络中实现群体和个体公平

    在图学习的背景下，我们提出了一个名为 Fairness for Group and Individual (FairGI) 的新概念，该概念考虑了组公平性和组内个体公平性，并通过个体之间的相似度矩阵实现了组内个体公平性，同时利用对抗学习来解决组公平性，包括平等机会和统计平衡。实验结果表明，我们的方法在组公平性、组内个体公平性和总体个体公平性方面均优于其他最先进的模型，并且在预测准确性上保持可比较的性能。

    Apr, 2024

  • 带公平约束的谱归一化 - 割图分割

    我们提出了一种名为 FNM 的二阶段谱算法，通过在目标函数中添加公平性准则来获取更公平的谱节点嵌入，然后设计一个舍入方案从该公平嵌入中生成 k 个簇，从而在维持公平性的同时达到良好的分区质量。通过对九个基准数据集进行全面实验，我们证明了 FNM 相对于三种基准方法的卓越性能。

    Jul, 2023

  • 通过重加权和调整实现个体公平性

    通过在德国信贷批准数据集上的实验证明，将图拉普拉斯正则化程序用于算法公平性技术可以提高个人公平性并降低偏差，同时揭示了 Prediction Consistency 评分可能会误导的问题。

    May, 2024

  • 具有公平约束的谱聚类的保证

    本研究研究了一种受 Chierichetti 等人提出的公平原则约束的、用于对图形数据进行分区的谱聚类方法。我们开发了归一化和非归一化受约束谱聚类的变体，并证明它们可以在合成和真实数据上找到更公平的聚类结构。在一种自然环境变体的随机块模型上，我们对算法进行了严格的理论分析，并证明我们的算法可以以高概率恢复这种公平聚类。

    Jan, 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

  • DualFair: 基于对比自监督的群体和个体公平表示学习

    本文提出了一种名为 DualFair 的自我监督模型，可从学到的表示中去除诸如性别和种族等敏感属性的偏差，同时优化两个公平标准，团体公平性和反事实公平性，为团体和个体提供更公平的预测，针对多个数据集进行了详细的分析，表明了该模型的有效性和进一步展示了同时解决两种公平标准的协同效应，同时建议该模型在公平的智能 Web 应用中具有潜在价值。

    Mar, 2023

  • 对称矩阵分解的再思考：更一般且更优的聚类视角

    本文提出了使用正则项优化的高效因式分解算法来提高聚类性能，同时进一步探索了使用不同约束条件解决对称矩阵分解问题的通用框架。

    Sep, 2022

  • 交叉性：期望约束下的多元群体公平

    本研究旨在通过对核回归和特别是决策树回归中预期子人群的结果进行限制，以提高机器学习模型的公平性；该解决方案不影响决策树的复杂度顺序，并且容易集成到训练后的模型中。

    Nov, 2018

  • GFairHint: 通过公平提示提升图神经网络的个体公平性

    本文提出了 GFairHint 方法，通过辅助链接预测任务学习公平表示，并将表示与原始 GNN 中学习的节点嵌入拼接出 “公平提示”，从而实现在各种 GNN 模型上促进公正性的评估，产生相当的优质结果，而且比之前的最新方法具有更少的计算成本。

    May, 2023