带差分隐私的对比可解释聚类
机器学习
2025-06-03 v2 密码学与安全
摘要
本文提出一种新颖的可解释人工智能（XAI）方法，将对比解释与差分隐私结合用于聚类算法。我们聚焦于 k-中位数和 k-均值问题，计算对比解释作为原始聚类与将某个数据点固定为聚类中心后的聚类之间的效用差异。该方法为聚类中心放置提供个人化见解。我们的关键贡献在于证明，这些差分隐私解释几乎与非私有解释相同的效用界。实验在各种数据集上表明，我们的方法提供了有意义的、隐私保护的、与个体相关的解释，而不会显著牺牲聚类效用。该工作推进了隐私意识的机器学习，通过在数据保护、解释质量和个性化之间实现平衡，为聚类任务带来了新的发展。
引用
@article{arxiv.2406.04610,
title = {Contrastive Explainable Clustering with Differential Privacy},
author = {Dung Nguyen and Ariel Vetzler and Sarit Kraus and Anil Vullikanti},
journal= {arXiv preprint arXiv:2406.04610},
year = {2025}
}
备注
Accepted by AAMAS 2025: https://www.ifaamas.org/Proceedings/aamas2025/forms/contents.htm