具有组公平性约束的可扩展谱聚类
机器学习
2023-04-18 v3 机器学习
摘要
在机器学习中建模公平性与纠正算法偏差的研究兴趣与工业努力存在协同。本文提出一种具有组公平性约束的可扩展谱聚类（SC）算法。组公平性亦称统计 parity，即每个聚类中各受保护群体的占比与整体相同。尽管FairSC算法（Kleindessner等人，2019）能找到更公平的聚类，但由于显式计算零空间核与稠密矩阵平方根的高昂代价而受限。我们提出一种底层谱计算的新表述，结合零空间投影与Hotelling紧缩，使得所得算法（称为s-FairSC）仅涉及稀疏矩阵-向量乘积，并能充分利用公平SC模型的稀疏性。在修正随机块模型上的实验结果表明，s-FairSC在恢复公平聚类方面与FairSC相当，同时在中等模型规模下提速12倍。s-FairSC进一步被证明具有可扩展性：与无公平性约束的SC相比，s-FairSC的计算成本仅边际增长。
引用
@article{arxiv.2210.16435,
title = {Scalable Spectral Clustering with Group Fairness Constraints},
author = {Ji Wang and Ding Lu and Ian Davidson and Zhaojun Bai},
journal= {arXiv preprint arXiv:2210.16435},
year = {2023}
}