論文の概要: A Unified Framework for Fair Spectral Clustering With Effective Graph Learning

• arxiv url: http://arxiv.org/abs/2311.13766v1
• Date: Thu, 23 Nov 2023 01:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 00:43:37.186715
• Title: A Unified Framework for Fair Spectral Clustering With Effective Graph Learning
• Title（参考訳）: 効果的なグラフ学習によるフェアスペクトルクラスタリングのための統一フレームワーク
• Authors: Xiang Zhang, Qiao Wang
• Abstract要約: 群フェアネス制約下でのスペクトルクラスタリングの問題点を考察する。 実際には、グラフは通常不明であり、潜在的にノイズの多いデータから基盤となるグラフを構築する必要がある。 雑音データからグラフを学習するためのノード適応グラフフィルタを用いた新しいグラフ構築法を提案する。
• 参考スコア（独自算出の注目度）: 12.343382413705394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of spectral clustering under group fairness constraints, where samples from each sensitive group are approximately proportionally represented in each cluster. Traditional fair spectral clustering (FSC) methods consist of two consecutive stages, i.e., performing fair spectral embedding on a given graph and conducting $k$means to obtain discrete cluster labels. However, in practice, the graph is usually unknown, and we need to construct the underlying graph from potentially noisy data, the quality of which inevitably affects subsequent fair clustering performance. Furthermore, performing FSC through separate steps breaks the connections among these steps, leading to suboptimal results. To this end, we first theoretically analyze the effect of the constructed graph on FSC. Motivated by the analysis, we propose a novel graph construction method with a node-adaptive graph filter to learn graphs from noisy data. Then, all independent stages of conventional FSC are integrated into a single objective function, forming an end-to-end framework that inputs raw data and outputs discrete cluster labels. An algorithm is developed to jointly and alternately update the variables in each stage. Finally, we conduct extensive experiments on synthetic, benchmark, and real data, which show that our model is superior to state-of-the-art fair clustering methods.
• Abstract（参考訳）: グループフェアネス制約下でのスペクトルクラスタリングの問題を考察し、各感度グループからのサンプルは各クラスタでほぼ比例的に表現される。 従来のフェアスペクトルクラスタリング(FSC)手法は、2つの連続的な段階、すなわち与えられたグラフにフェアスペクトルを埋め込み、離散クラスタラベルを得るために$k$meansを実行する。 しかし、実際にはグラフは通常不明であり、潜在的にノイズの多いデータから基礎となるグラフを構築する必要がある。 さらに、別々のステップでFSCを実行すると、これらのステップ間の接続が断ち切られ、最適な結果が得られます。 この目的のために、構築されたグラフがFSCに与える影響を理論的に解析する。 そこで本研究では,ノード適応グラフフィルタを用いた新しいグラフ構築手法を提案し,ノイズの多いデータからグラフを学習する。 そして、従来のSFCのすべての独立したステージを単一の目的関数に統合し、生データを入力し、離散クラスタラベルを出力するエンドツーエンドのフレームワークを形成する。 各段の変数を共同で交互に更新するアルゴリズムが開発された。 最後に、我々は、合成、ベンチマーク、および実データに関する広範な実験を行い、我々のモデルは最先端の公正クラスタリング手法よりも優れていることを示す。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Spectral Normalized-Cut Graph Partitioning with Fairness Constraints [18.835004555146575]
  正規化されたグラフ分割は、グラフ内のノードの集合を$k$ディスジョイントクラスタに分割して、任意のクラスタと他のクラスタ間の全エッジの分画を最小限にすることを目的としている。 本稿では,ノードが異なる階層群に属することを示す分類学的属性によって特徴付けられる分割問題の公平な変種について考察する。 私たちの目標は、正規化されたカット値を最小化しながら、各グループが各クラスタにほぼ比例的に表現されることを保証することです。
  論文  参考訳（メタデータ） (2023-07-22T12:20:46Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• FedSpectral+: Spectral Clustering using Federated Learning [0.0]
  本稿では,データプライバシの問題と通信コストの増大を克服するために,FLを用いたスペクトルクラスタリングアルゴリズムを提案する。 FLは、ユーザの生データを収集するのではなく、各学習者のモデルパラメータを蓄積するプライバシー保護アルゴリズムである。 FedSpectralは、局所スペクトルクラスタリングラベルを使用して、類似性グラフを作成することで、グローバルスペクトルクラスタリングを集約するベースラインアプローチである。 最先端のアプローチであるFedSpectral+は、クライアント間で分散された生の情報にアクセスすることなく、グラフデータ全体を組み込むことで、グローバルなスペクトル埋め込みを学習するためにパワーメソッドを使用する。
  論文  参考訳（メタデータ） (2023-02-04T09:28:36Z)
• GLCC: A General Framework for Graph-level Clustering [5.069852282550117]
  本稿では,グラフレベルのクラスタリングの問題について検討する。 GLCC(Graph-Level Contrastive Clustering)というグラフレベルの一般的なクラスタリングフレームワークを提案する。 様々なよく知られたデータセットに対する実験は、競合するベースラインよりも提案したGLCCの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T11:08:10Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。