吸引-排斥聚类及其在公平性中的应用
机器学习
2021-10-27 v4 机器学习
摘要
我们考虑增强多样性的聚类问题，即开发能够产生在种族、性别、年龄等一组受保护属性上偏好多样性的聚类方法。在公平聚类的语境中，当公平性被理解为人口统计均等的时，多样性起着主要作用。为提升多样性，我们对无保护属性上的距离引入扰动，以类似于物理学中带电粒子吸引-排斥的方式考量受保护属性。这些扰动通过具有可解释性的相异度定义。基于吸引-排斥相异度的聚类分析惩罚簇在受保护属性上的同质性，并带来多样性的提升。我们方法的一个优势在于其属于预处理框架，可与多种聚类方法及非欧几里得数据兼容。我们用合成与真实数据展示了方法的使用，并讨论了多样性、公平性与簇结构之间的关系。我们的方法实现于一个 R 包，可在 https://github.com/HristoInouzhe/AttractionRepulsionClustering 免费获取。
引用
@article{arxiv.1904.05254,
title = {Attraction-Repulsion clustering with applications to fairness},
author = {Eustasio del Barrio and Hristo Inouzhe and Jean-Michel Loubes},
journal= {arXiv preprint arXiv:1904.05254},
year = {2021}
}
备注
35 pages, 11 figures, 5 tables