广义归约：以低成本实现任意层次聚类的公平与平衡
机器学习
2023-05-11 v2 数据结构与算法
摘要
聚类是现代统计分析流程的基本构建模块。近年来，公平聚类受到了机器学习界的广泛关注。继 Ahmadian 等人于 2020 年 NeurIPS 发表的结果之后，我们是最早研究层次聚类公平性问题的团队之一。我们使用 Dasgupta 代价函数评估我们的结果，该函数或许是层次聚类评估中最普遍的理论度量之一。我们的工作将此前针对代价的 公平近似大幅改进为对于任意常数 的近多对数 公平近似。该结果建立了代价-公平性权衡，并比此前工作适用于更广泛的公平性约束。我们还展示了如何修改已有的层次聚类，以在层次结构的任意层级上保证公平性与簇平衡。
引用
@article{arxiv.2205.14198,
title = {Generalized Reductions: Making any Hierarchical Clustering Fair and Balanced with Low Cost},
author = {Marina Knittel and Max Springer and John P. Dickerson and MohammadTaghi Hajiaghayi},
journal= {arXiv preprint arXiv:2205.14198},
year = {2023}
}