- 具有群组成员身份不确定性集合的鲁棒公平聚类
我们研究了典型的公平聚类问题,其中每个聚类被约束为每个群组的人口级别表达。尽管引起了很大的关注,但对于每个点的群组成员资格的不完全知识的显著问题仅仅是肤浅地得到解决。在本文中,我们考虑了分配的群组成员资格存在误差的情况。我们引入了一个简单且 - 公平瓦瑟斯坦核心集
通过生成公平的合成代表样本及样本级权重来最小化原始数据集与加权合成样本之间的 Wasserstein 距离,并通过线性约束实施(实证版本的)人口平等,从而在下游学习任务中提供公平的聚类算法,其竞争性能优于现有的公平聚类方法,即使通过公平预处 - 在高维空间中近似求解公平的 $k$ 最小总半径问题
在 Euclidean 空间中,我们提出了一个在常数 k 下为公平 $k$-min-sum-radii 问题提供 PTAS 的方法,这是该问题的首个 PTAS,适用于不同的群体公平性概念。
- 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。
- 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。
- 个体公平聚类的改进近似算法
此论文介绍了一种可行的算法,用于从簇成员与簇中心之间的距离范数角度出发解决公平聚类问题,并对相应指标(如 bicriteria)进行了优化;同时,提供了一种基于模类约束的距离范数成本设施位置 16^p - 近似算法,并将借鉴此算法,将个体公 - KFC:$k$- 中心公平聚类的可扩展近似算法
探讨了关于 $k-$center 目标函数的公平聚类问题,使用保护组的概念确保每个簇的公平性,提出了一种新的随机化 $3-$ 近似算法,对比之前的算法在效率和公平性方面获得了优化。
- 公平聚类中用于度量空间和欧几里得空间的核心集及其应用
本文针对公平聚类提出了一种基于随机抽样的核心集构建法,使得可以在一般度量空间中获得公平聚类的第一个核心集,以及在欧氏空间中实现核心集大小不呈指数级增长的公平聚类。此外,还推导了针对受限聚类问题的核心集构造方案,并通过此方案提出了一些新的近似 - 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 - 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。
- 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。
- 具有公平约束的聚类核心集
本文提出了一种公平的聚类方法,可以对数据点进行聚类而确保每个聚类中各类别比例的公平分配。该方法采用了基于新构建的核心集的方法,并使用该方法高效处理类别复杂、性别等多个敏感类型的数据,并在成人 (Adult)、银行 (Bank)、糖尿病 (D - AAAI变分公平聚类
本文提出了一种公平聚类的一般变分框架,该框架将原始的 Kullback-Leibler(KL)公平术语与包括原型或基于图的大类聚类目标相整合。我们的变分多项式方法与现有的组合和谱解决方案基本不同,能够控制公平和聚类目标之间的折衷水平。我们的 - ICML多状态保护变量下的公平深度聚类
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。
- 公平 k 均值聚类的公平核心集和流算法
本文研究公平聚类问题,提出一种利用核心集合来显著减小输入数据规模的算法,证明了核心集合的可组合性,提出了 Lloyd 算法的变体,并将其扩展为公平 k-means ++ 聚类算法,实现了这些算法并提供了经验证据,表明我们的方法得以规模化运行 - 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。