公平性感知的多视图聚类
机器学习
2023-02-14 v1 计算机视觉与模式识别
摘要
在大数据时代，我们常常同时面临数据异构性与标签信息缺失的挑战。在金融领域（例如欺诈检测），异构数据可能不仅包括数值数据（如总债务与年收入），还包括文本与图像（如财务报表与发票图像）。同时，用于构建预测模型的标签信息（如欺诈交易）可能缺失。为应对这些挑战，许多最先进的多视图聚类方法被提出并取得了优异性能。然而，这些方法通常未考虑公平性方面，并可能利用种族、性别等敏感信息产生有偏结果。因此，本文提出一种名为 FairMVC 的公平性感知多视图聚类方法。它将群体公平性约束纳入每个簇的软成员分配中，以确保每个簇中不同群体的比例近似等同于整个数据集。同时，我们采用对比学习与非对比学习的思想，提出新颖的正则化项以处理具有缺失数据或噪声特征的复杂场景中的异构数据。在真实数据集上的实验结果证明了所提框架的有效性与高效性。我们还推导了关于所提正则化项在不同场景中相对性能的见解。
引用
@article{arxiv.2302.05788,
title = {Fairness-aware Multi-view Clustering},
author = {Lecheng Zheng and Yada Zhu and Jingrui He},
journal= {arXiv preprint arXiv:2302.05788},
year = {2023}
}
备注
Accepted by SDM23