論文の概要: Robust Fair Clustering with Group Membership Uncertainty Sets

• arxiv url: http://arxiv.org/abs/2406.00599v2
• Date: Wed, 06 Nov 2024 21:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:37:06.652207
• Title: Robust Fair Clustering with Group Membership Uncertainty Sets
• Title（参考訳）: グループメンバーシップの不確実性セットによるロバストフェアクラスタリング
• Authors: Sharmila Duppala, Juan Luque, John P. Dickerson, Seyed A. Esmaeili,
• Abstract要約: 本研究では,各集団の集団レベルでの表現に近づき,各集団が制約される正準公正クラスタリング問題について検討する。 簡単なノイズモデルを導入し、意思決定者によって与えられるパラメータを少数必要とします。 本稿では,不規則性保証を証明可能なフェアクラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 31.29773979737976
• License:
• Abstract: We study the canonical fair clustering problem where each cluster is constrained to have close to population-level representation of each group. Despite significant attention, the salient issue of having incomplete knowledge about the group membership of each point has been superficially addressed. In this paper, we consider a setting where the assigned group memberships are noisy. We introduce a simple noise model that requires a small number of parameters to be given by the decision maker. We then present an algorithm for fair clustering with provable \emph{robustness} guarantees. Our framework enables the decision maker to trade off between the robustness and the clustering quality. Unlike previous work, our algorithms are backed by worst-case theoretical guarantees. Finally, we empirically verify the performance of our algorithm on real world datasets and show its superior performance over existing baselines.
• Abstract（参考訳）: 本研究では,各集団の集団レベルでの表現に近づき,各集団が制約される正準公正クラスタリング問題について検討する。 重要な注意を払っているにもかかわらず、各点のグループメンバーシップに関する不完全な知識を持つという健全な問題は表面的に解決されている。 本稿では、割り当てられたグループメンバーシップが騒々しい設定について考察する。 簡単なノイズモデルを導入し、意思決定者によって与えられるパラメータを少数必要とします。 次に、証明可能な \emph{robustness} 保証付きフェアクラスタリングのアルゴリズムを提案する。 私たちのフレームワークは、意思決定者に対して、堅牢性とクラスタリングの品質のトレードオフを可能にします。 これまでの研究とは異なり、我々のアルゴリズムは最悪の理論上の保証によって裏付けられている。 最後に、実世界のデータセット上でのアルゴリズムの性能を実証的に検証し、既存のベースラインよりも優れた性能を示す。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Cluster-level Group Representativity Fairness in $k$-means Clustering [3.420467786581458]
  クラスタリングアルゴリズムは、異なるグループが異なるクラスタ内で不利になるようにクラスタを生成することができる。 我々は,古典的アルゴリズムに先駆けて,セントロイドクラスタリングパラダイムに基づくクラスタリングアルゴリズムを開発した。 本手法はクラスタレベルの表現性フェアネスを,クラスタのコヒーレンスに低い影響で向上させるのに有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-29T22:02:28Z)
• Improved Approximation for Fair Correlation Clustering [4.629694186457133]
  相関クラスタリングは教師なし機械学習におけるユビキタスパラダイムであり、不公平に対処することが大きな課題である。 そこで本研究では,データポイントが異なる保護グループに属しているフェア相関クラスタリングについて検討する。 本稿は,Ahmadi et al.とAhmadian et alの以前の研究の質保証を著しく一般化し,改善する。
  論文  参考訳（メタデータ） (2022-06-09T03:07:57Z)
• Fair Labeled Clustering [28.297893914525517]
  クラスタリングのダウンストリーム適用と,そのような設定に対してグループフェアネスをどのように確保するかを検討する。 このような問題に対するアルゴリズムを提供し、グループフェアクラスタリングにおけるNPハードのアルゴリズムとは対照的に、効率的な解が可能であることを示す。 また、距離空間における中心位置に関係なく、意思決定者が自由にクラスタにラベルを割り当てることができるような、モチベーションのよい代替設定についても検討する。
  論文  参考訳（メタデータ） (2022-05-28T07:07:12Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Feature-based Individual Fairness in k-Clustering [14.847868952138795]
  公平性の制約を確保しつつ一組の点をクラスタリングする問題を考察する。 我々は、必ずしもクラスタリングに使用されない特徴に基づいて、kクラスタリングにおける個別の公平性という新しい概念を導入する。
  論文  参考訳（メタデータ） (2021-09-09T20:42:02Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Probabilistic Fair Clustering [31.628993679745292]
  フェアクラスタリングにおける以前の仕事は、グループメンバーシップの完全な知識を前提としている。 近似比を保証したより一般的な設定でクラスタリングアルゴリズムを提案する。 また、異なる群が順序と距離の概念を持つ「計量的メンバーシップ」の問題にも対処する。
  論文  参考訳（メタデータ） (2020-06-19T01:34:21Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。