对抗性公平多视图聚类
机器学习
2025-08-07 v1
摘要
聚类分析是数据挖掘和机器学习中的一个基本问题。近年来，随着多视图聚类能够整合来自多个视图的互补信息而受到日益关注。然而，现有方法主要关注聚类性能，而公平性——这一在以人为中心的应用中至关重要的考虑因素—— largely 被忽视。虽然近期研究探索了多视图聚类的组公平性，但大多数方法对聚类分配施加明确的正则化，依赖敏感属性与底层聚类结构之间的对齐。这一假设在实际中常常不成立且可能降低聚类性能。本文提出一种对抗性公平多视图聚类 (AFMVC) 框架，将公平性学习融入表示学习过程中。具体而言，我们的方法采用对抗训练从根本上消除所学特征中的敏感属性信息，确保所得聚类分配不受其影响。此外，我们在理论上证明，通过 KL 散度将视图特定聚类分配与公平性不变的共识分布对齐，可在不显著牺牲公平性的前提下保持聚类一致性，从而为我们的框架提供了额外的理论保证。广泛的实验在具有公平性约束的数据集上表明，AFMVC 在公平性和竞争性聚类性能方面均优于现有的多视图聚类和公平性感知聚类方法。
引用
@article{arxiv.2508.04071,
title = {Adversarial Fair Multi-View Clustering},
author = {Mudi Jiang and Jiahui Zhou and Lianyu Hu and Xinying Liu and Zengyou He and Zhikui Chen},
journal= {arXiv preprint arXiv:2508.04071},
year = {2025}
}