Jun, 2024

公平聚类：评析、注意事项和未来方向

PDF
TL;DR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。
发现论文，激发创造
  • 公平聚类：因果视角

    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

  • 公平标注聚类

    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

  • 公平的分层聚类

    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

  • 鲁棒公平聚类：一种新的公平性攻击和防御框架

    通过提出一种针对公平聚类的黑盒公平攻击来分析公平聚类算法的鲁棒性；该攻击可以显著降低公平性性能。最后，提出一种新的公平聚类方法 Consensus Fair Clustering (CFC)，将一致性聚类转化为公平图分割问题，并迭代地学习生成公平聚类输出。实验表明，CFC 高度鲁棒，是一个真正的公平聚类替代方案。

    Oct, 2022

  • 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

  • 通过公平的群组表达进行公平聚类

    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

  • 机器学习中的公平性

    讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题，尤其是在复杂的不公平场景下，提出了一种统一的框架来处理不同的情况和公平标准，并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。

    Dec, 2020

  • 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

  • 使用抗毒数据进行公平聚类

    为了解决聚类算法输出不公平的问题，我们提出了一种使用少量辅助数据来实现中心聚类的群体公平性的方法，将其建模为一个通用的双层优化问题，并分类并解决了两种不同问题设置的优化方法。我们的实验表明，与其他最先进的公平聚类算法相比，我们的算法可以在添加极少的辅助数据的情况下实现所需的公平水平，并且具有更低的公平成本和可比较的聚类性能。

    Jun, 2021

  • 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