Fugu-MT 論文翻訳(概要): FACROC: a fairness measure for FAir Clustering through ROC curves

論文の概要: FACROC: a fairness measure for FAir Clustering through ROC curves

arxiv url: http://arxiv.org/abs/2503.00854v1
Date: Sun, 02 Mar 2025 11:11:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:16:54.612071
Title: FACROC: a fairness measure for FAir Clustering through ROC curves
Title（参考訳）: FACROC:ROC曲線によるFAirクラスタリングの公正度尺度
Authors: Tai Le Quy, Long Le Thanh, Lan Luong Thi Hong, Frank Hopfgartner,
Abstract要約: 我々は、ROC曲線、すなわちFACROCによるフェアクラスタリングのための新しい視覚ベースのフェアネス尺度を導入する。この公正度尺度は、クラスタリング品質の尺度としてAUCCを使用し、保護属性の各値に対する対応するROC曲線の差を計算する。
参考スコア（独自算出の注目度）: 1.936466750657896
License:
Abstract: Fair clustering has attracted remarkable attention from the research community. Many fairness measures for clustering have been proposed; however, they do not take into account the clustering quality w.r.t. the values of the protected attribute. In this paper, we introduce a new visual-based fairness measure for fair clustering through ROC curves, namely FACROC. This fairness measure employs AUCC as a measure of clustering quality and then computes the difference in the corresponding ROC curves for each value of the protected attribute. Experimental results on several popular datasets for fairness-aware machine learning and well-known (fair) clustering models show that FACROC is a beneficial method for visually evaluating the fairness of clustering models.
Abstract（参考訳）: 公正なクラスタリングは、研究コミュニティから目覚ましい注目を集めている。クラスタリングのための多くの公正度尺度が提案されているが、保護属性の値のクラスタリング品質を考慮に入れていない。本稿では,ROC曲線,すなわちFACROCによる公正クラスタリングのための新しい視覚的公正度尺度を提案する。この公正度尺度は、クラスタリング品質の尺度としてAUCCを使用し、保護属性の各値に対する対応するROC曲線の差を計算する。フェアネスを意識した機械学習と有名な(フェア)クラスタリングモデルのためのいくつかの一般的なデータセットの実験結果は、FACROCがクラスタリングモデルのフェアネスを視覚的に評価するのに有用な方法であることを示している。

関連論文リスト

Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2025-02-05T16:33:36Z)
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)
Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
論文参考訳（メタデータ） (2024-07-29T15:51:09Z)
GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文参考訳（メタデータ） (2024-04-14T01:51:11Z)
Fairness in Visual Clustering: A Novel Transformer Clustering Approach [32.806921406869996]
まず、クラスタの純度の観点から、ディープクラスタリングモデルにおける人口統計バイアスを評価する。フェアネスの側面を維持するために、すべてのクラスタに対して純粋性一貫性を促進するために、新しい損失関数が導入された。本稿では,複数クラスタ間の相関を計測する新しいアテンション機構であるクロスアテンションを提案する。
論文参考訳（メタデータ） (2023-04-14T21:59:32Z)
Clustering Validation with The Area Under Precision-Recall Curves [0.0]
クラスタリングバリデーションインデックス(CVI)は、実際のアプリケーションシナリオにおけるクラスタリングバリデーションを可能にする。我々はこれらがCVIとして適切であるだけでなく、クラスタ不均衡の存在においても好ましいことを示します。提案したCVIと最先端のCVIを、実データおよびシミュレーションデータセット上で総合的に評価する。
論文参考訳（メタデータ） (2023-04-04T01:49:57Z)
Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文参考訳（メタデータ） (2023-03-06T17:19:23Z)
A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文参考訳（メタデータ） (2022-09-22T09:04:10Z)
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)
Representativity Fairness in Clustering [5.320087179174425]
我々は、表現性公正という、クラスタリングにおけるフェアネスという新しい概念を開発する。本稿では,クラスタリングを含む実世界の意思決定シナリオにおける表現力の公平性の重要性について述べる。我々は,クラスタリング品質とともに,表現性公正性を最適化する新たなクラスタリング定式化RFKMを開発した。
論文参考訳（メタデータ） (2020-10-11T21:50:06Z)
The Area Under the ROC Curve as a Measure of Clustering Quality [0.0]
Area Under the Curve for Clustering (AUCC) はクラスタリングの品質の内/相対的な尺度である。 AUCC はベーカー・アンド・ヒューバート (1975) によるガンマ基準の線型変換である。
論文参考訳（メタデータ） (2020-09-04T21:34:51Z)

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。