論文の概要: Whither Fair Clustering?
- arxiv url: http://arxiv.org/abs/2007.07838v1
- Date: Wed, 8 Jul 2020 19:41:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 12:55:51.982037
- Title: Whither Fair Clustering?
- Title（参考訳）: フェアクラスタリングは?
- Authors: Deepak P
- Abstract要約: 我々は、公正なクラスタリングにおける最先端の状況は、展望において非常に画期的であると論じている。
我々は、目標とする規範的原則を広げ、目標を完全に達成できない欠点を特徴づけ、下流プロセスの知識を利用することで、公正クラスタリング研究における研究範囲を大きく広げることができると論じている。
- 参考スコア（独自算出の注目度）: 3.4925763160992402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Within the relatively busy area of fair machine learning that has been
dominated by classification fairness research, fairness in clustering has
started to see some recent attention. In this position paper, we assess the
existing work in fair clustering and observe that there are several directions
that are yet to be explored, and postulate that the state-of-the-art in fair
clustering has been quite parochial in outlook. We posit that widening the
normative principles to target for, characterizing shortfalls where the target
cannot be achieved fully, and making use of knowledge of downstream processes
can significantly widen the scope of research in fair clustering research. At a
time when clustering and unsupervised learning are being increasingly used to
make and influence decisions that matter significantly to human lives, we
believe that widening the ambit of fair clustering is of immense significance.
- Abstract（参考訳）: 分類フェアネス研究に支配されている比較的多忙なフェア機械学習の領域では、クラスタリングにおけるフェアネスが近年注目され始めている。
本稿では, フェアクラスタリングにおける既存の作業を評価し, 未調査の方向性がいくつかあることを観察し, フェアクラスタリングにおける最先端技術は, 非常に画期的であることを仮定する。
我々は,目標とする規範的な原則を拡大し,目標が完全に達成できない欠点を特徴付けること,下流プロセスの知識を活用すれば,公平なクラスタリング研究における研究の範囲を大きく広げることができると仮定する。
クラスタリングと教師なし学習が、人間の生活に重要な決定を下し、影響を及ぼすのにますます使われているとき、公正なクラスタリングの範囲を広げることは、非常に重要であると考えています。
関連論文リスト
- Fair Clustering: Critique, Caveats, and Future Directions [11.077625489695922]
クラスタリングは、機械学習とオペレーション研究における根本的な問題である。
公正なクラスタリングを批判的に捉え、無視された問題の集合を特定します。
論文 参考訳（メタデータ） (2024-06-22T23:34:53Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳（メタデータ） (2022-10-09T02:31:32Z) - Robust Fair Clustering: A Novel Fairness Attack and Defense Framework [33.87395800206783]
フェアクラスタリングアルゴリズムに対する新しいブラックボックスフェアネス攻撃を提案する。
我々は、最先端のモデルが我々の攻撃に非常に影響を受けやすいことを発見した。
また,最初のロバストなフェアクラスタリング手法であるConsensus Fair Clustering (CFC)を提案する。
論文 参考訳（メタデータ） (2022-10-04T23:00:20Z) - A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and
Future Directions [48.97008907275482]
クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。
ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。
深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
論文 参考訳（メタデータ） (2022-06-15T15:05:13Z) - Deep Fair Discriminative Clustering [24.237000220172906]
2値および多状態保護状態変数(PSV)に対するグループレベルの公正性の一般概念について検討する。
本稿では,クラスタリング目標とフェアネス目標とを組み合わせて,フェアクラスタを適応的に学習する改良学習アルゴリズムを提案する。
本フレームワークは, フレキシブルフェアネス制約, マルチステートPSV, 予測クラスタリングなど, 新規なクラスタリングタスクに対して有望な結果を示す。
論文 参考訳（メタデータ） (2021-05-28T23:50:48Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - Through the Data Management Lens: Experimental Analysis and Evaluation
of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。
我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。
我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文 参考訳（メタデータ） (2021-01-18T22:55:40Z) - A Pairwise Fair and Community-preserving Approach to k-Center Clustering [34.386585230600716]
クラスタリングは多くのアプリケーションで機械学習の基本的な問題である。
クラスタリング設定,ペアワイズフェアネス,コミュニティ保存の2つの新しいフェアネスを定義した。
論文 参考訳（メタデータ） (2020-07-14T22:32:27Z) - Fair Hierarchical Clustering [92.03780518164108]
従来のクラスタリングにおける過剰表現を緩和する公平性の概念を定義する。
我々のアルゴリズムは、目的に対して無視できない損失しか持たない、公平な階層的なクラスタリングを見つけることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T01:05:11Z) - Towards Robust Fine-grained Recognition by Maximal Separation of
Discriminative Features [72.72840552588134]
本研究は, 粒度認識ネットワークにおけるクラス間の潜伏表現の近接性を, 敵攻撃の成功の鍵となる要因として同定する。
注意に基づく正規化機構を導入し、異なるクラスの識別潜在特徴を最大限に分離する。
論文 参考訳（メタデータ） (2020-06-10T18:34:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。