基于深度聚类的公平离群点检测
机器学习
2021-06-10 v1 计算机与社会
摘要
在本文中，我们关注无监督离群点检测中的公平性问题。传统算法若未针对算法公平性进行专门设计，可能会隐式地编码并传播数据中的统计偏差，从而引发社会关切。为纠正此类不公平性并给出一组公平的潜在离群候选，我们提出基于深度聚类的公平离群点检测（DCFOD），该方法在学习用于效用最大化的良好表示的同时，强制使可学习表示在敏感属性上保持子群不变。考虑到聚类与离群点检测之间耦合且互惠的本质，我们利用深度聚类来发现固有的簇结构以及结构外实例。同时，对抗训练擦除实例的敏感模式以实现公平性适配。在技术层面，我们提出一种实例级加权表示学习策略来增强联合深度聚类与离群点检测，其中动态权重模块重新强调可能的内点贡献，同时减轻离群点的负面影响。通过在八个数据集上与 17 种离群点检测算法的对比实验表明，我们的 DCFOD 方法在离群点检测有效性及两类公平性度量上均持续取得优越性能。
引用
@article{arxiv.2106.05127,
title = {Deep Clustering based Fair Outlier Detection},
author = {Hanyu Song and Peizhao Li and Hongfu Liu},
journal= {arXiv preprint arXiv:2106.05127},
year = {2021}
}
备注
To appear in KDD'2021