变分公平聚类
机器学习
2020-12-07 v5 机器学习
摘要
我们提出了一种通用的公平聚类变分框架，该框架将原始的 Kullback-Leibler (KL) 公平项与一大类聚类目标（包括基于原型或基于图的）相集成。与现有的组合和谱解法有本质不同，我们的变分多项方法能够控制公平性与聚类目标之间的权衡水平。我们基于公平项的凹凸分解、其 Lipschitz 梯度性质以及 Pinsker 不等式，推导出一个通用的紧上界。我们的紧上界可与各种聚类目标联合优化，同时产生具有收敛保证的可扩展解。有趣的是，在每次迭代中，它对每个分配变量执行独立更新。因此，它可以轻松分布式处理大规模数据集。这种可扩展性十分重要，因为它使得探索公平性与聚类目标之间不同权衡水平成为可能。与谱松弛不同，我们的公式不需要计算其特征值分解。我们在多个公平聚类基准上报告了与最先进方法的综合评估和比较，结果表明我们的变分公式在公平性和聚类目标方面都能产生极具竞争力的解。
引用
@article{arxiv.1906.08207,
title = {Variational Fair Clustering},
author = {Imtiaz Masud Ziko and Eric Granger and Jing Yuan and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:1906.08207},
year = {2020}
}
备注
Accepted to be published in AAAI 2021. The Code is available at: https://github.com/imtiazziko/Variational-Fair-Clustering