福利中心型聚类
机器学习
2025-08-15 v1 人工智能
计算机与社会
数据结构与算法
摘要
公平聚类传统上侧重于确保公平的群体代表性或均衡特定群体的聚类代价。然而，Dickerson 等人 (2025) 最近指出，这些公平性概念可能产生不理想或反直觉的聚类结果，并倡导一种对群体效用进行建模的福利中心型聚类方法。在本工作中，我们基于距离和比例代表性对群体效用进行建模，并形式化了两个基于福利中心型聚类的优化目标：罗尔斯式（平等主义）目标和功利主义目标。我们为这两个目标引入了新颖的算法，并证明了它们的理论保证。在多个真实世界数据集上的实证评估表明，我们的方法显著优于现有的公平聚类基线。
引用
@article{arxiv.2508.10345,
title = {Welfare-Centric Clustering},
author = {Claire Jie Zhang and Seyed A. Esmaeili and Jamie Morgenstern},
journal= {arXiv preprint arXiv:2508.10345},
year = {2025}
}