一种用于公平聚类的随机交替平衡 $k$-均值算法
机器学习
2022-02-04 v2 机器学习
摘要
在数据聚类应用于以人为中心的决策系统（如贷款申请和广告推荐）时，聚类结果可能对不同人口统计群体的人员产生歧视，导致不公平。聚类代价（以到聚类中心的距离衡量）与所有人口统计群体在聚类中的均衡表示之间自然存在冲突，从而形成一个非凸且非光滑的双目标优化问题。为确定这两个竞争目标之间的完整权衡，我们设计了一种新颖的随机交替平衡公平 -均值（SAfairKM）算法，该算法由交替的经典小批量 -means 更新和组交换更新组成。-means 更新次数与交换更新次数本质上参数化了置于各目标函数优化的权重。我们的数值实验表明，所提 SAfairKM 算法在合成与真实数据集上构建分布良好且高质量的帕累托前沿时具有鲁棒性且计算高效。
引用
@article{arxiv.2105.14172,
title = {A Stochastic Alternating Balance $k$-Means Algorithm for Fair Clustering},
author = {Suyun Liu and Luis Nunes Vicente},
journal= {arXiv preprint arXiv:2105.14172},
year = {2022}
}