迈向凝聚度与公平性的和谐：个体公平图聚类中的对比正则化
机器学习
2024-02-19 v1 人工智能
信息论
社会与信息网络
math.IT
摘要
传统的公平图聚类方法面临两个主要挑战：i) 它们通过施加刚性约束优先考虑平衡聚类，却以牺牲聚类凝聚度为代价；ii) 现有的图划分中个体和群体层面的公平性方法大多依赖于特征分解，因此通常缺乏可解释性。为解决这些问题，我们提出了 iFairNMTF，一种具有对比公平正则化的个体公平非负矩阵三因子分解模型，能够实现平衡且凝聚的聚类。通过引入公平正则化，我们的模型允许自定义精度 - 公平权衡，从而在不损害非负矩阵三因子分解所提供的可解释性的情况下增强用户自主权。在真实和合成数据集上的实验评估证明了 iFairNMTF 在实现公平性和聚类性能方面的卓越灵活性。
引用
@article{arxiv.2402.10756,
title = {Towards Cohesion-Fairness Harmony: Contrastive Regularization in Individual Fair Graph Clustering},
author = {Siamak Ghodsi and Seyed Amjad Seyedi and Eirini Ntoutsi},
journal= {arXiv preprint arXiv:2402.10756},
year = {2024}
}
备注
To be published in "The 28th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2024)"