直接从模块度恢复公平性：一种公平社区划分的新方法
社会与信息网络
2025-05-30 v1 机器学习
摘要
社区划分在网络分析中至关重要，模块度优化是其主流技术。然而，传统的基于模块度的方法往往忽略了公平性，这是实际应用中的一个关键方面。为解决此问题，我们引入受保护群体网络并提出一种新颖的公平-模块度指标。该指标通过显式纳入公平性来扩展传统模块度，我们证明最小化该指标能自然地为受保护群体产生公平划分，同时保持理论上的严谨性。我们开发了一个用于公平划分的通用优化框架，并设计了高效的 Fair Fast Newman (FairFN) 算法，通过增强 Fast Newman (FN) 方法来同时优化模块度和公平性。实验表明，与最先进的方法相比，FairFN 实现了显著提升的公平性和高质量的划分，特别是在不平衡数据集上。
引用
@article{arxiv.2505.22684,
title = {Recovering Fairness Directly from Modularity: a New Way for Fair Community Partitioning},
author = {Yufeng Wang and Yiguang Bai and Tianqing Zhu and Ismail Ben Ayed and Jing Yuan},
journal= {arXiv preprint arXiv:2505.22684},
year = {2025}
}
备注
17pages, 5 figures