Fugu-MT 論文翻訳(概要): Adversarial Fair Multi-View Clustering

論文の概要: Adversarial Fair Multi-View Clustering

arxiv url: http://arxiv.org/abs/2508.04071v1
Date: Wed, 06 Aug 2025 04:07:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.542778
Title: Adversarial Fair Multi-View Clustering
Title（参考訳）: 対訳マルチビュー・クラスタリング
Authors: Mudi Jiang, Jiahui Zhou, Lianyu Hu, Xinying Liu, Zengyou He, Zhikui Chen,
Abstract要約: 本稿では,フェアネス学習を表現学習プロセスに統合した,対向的公正なマルチビュークラスタリング(AFMVC)フレームワークを提案する。本フレームワークは,既存のマルチビュークラスタリングやフェアネスを意識したクラスタリング手法と比較して,優れたクラスタリング性能を実現する。
参考スコア（独自算出の注目度）: 7.650076926241037
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cluster analysis is a fundamental problem in data mining and machine learning. In recent years, multi-view clustering has attracted increasing attention due to its ability to integrate complementary information from multiple views. However, existing methods primarily focus on clustering performance, while fairness-a critical concern in human-centered applications-has been largely overlooked. Although recent studies have explored group fairness in multi-view clustering, most methods impose explicit regularization on cluster assignments, relying on the alignment between sensitive attributes and the underlying cluster structure. However, this assumption often fails in practice and can degrade clustering performance. In this paper, we propose an adversarial fair multi-view clustering (AFMVC) framework that integrates fairness learning into the representation learning process. Specifically, our method employs adversarial training to fundamentally remove sensitive attribute information from learned features, ensuring that the resulting cluster assignments are unaffected by it. Furthermore, we theoretically prove that aligning view-specific clustering assignments with a fairness-invariant consensus distribution via KL divergence preserves clustering consistency without significantly compromising fairness, thereby providing additional theoretical guarantees for our framework. Extensive experiments on data sets with fairness constraints demonstrate that AFMVC achieves superior fairness and competitive clustering performance compared to existing multi-view clustering and fairness-aware clustering methods.
Abstract（参考訳）: クラスタ分析は、データマイニングと機械学習の基本的な問題である。近年,複数のビューから補完情報を統合する能力により,マルチビュークラスタリングが注目されている。しかし、既存の手法は主にクラスタリングのパフォーマンスに焦点を当てているが、公平性(人間中心のアプリケーションにおいて重要な関心事)は概ね見過ごされてきた。近年、マルチビュークラスタリングにおけるグループフェアネスについて研究されているが、ほとんどの手法では、センシティブな属性と基盤となるクラスタ構造との整合性に依存して、クラスタ割り当てを明示的に正規化している。しかし、この仮定は実際には失敗し、クラスタリングのパフォーマンスを低下させる可能性がある。本稿では,フェアネス学習を表現学習プロセスに統合する対向的フェアマルチビュークラスタリング(AFMVC)フレームワークを提案する。具体的には,学習した特徴からセンシティブな属性情報を根本的に取り除き,その結果のクラスタ割り当てが影響を受けないことを保証する。さらに、KL分散による視点特異的クラスタリング割り当てとフェアネス不変のコンセンサス分布との整合性は、フェアネスを著しく損なうことなくクラスタリング一貫性を保ち、我々のフレームワークにさらなる理論的保証を与えることを理論的に証明する。フェアネス制約のあるデータセットに対する大規模な実験により、AFMVCは既存のマルチビュークラスタリングやフェアネス対応クラスタリング手法と比較して、優れたフェアネスと競合クラスタリング性能を達成できることが示された。

関連論文リスト

Towards Fair Representation: Clustering and Consensus [1.7243216387069678]
特定の保護された属性に関して、代表的であるだけでなく公平でもあるコンセンサスクラスタリングを見つけます。調査の一環として,既存のクラスタリングを最小限に修正して公平性を実現する方法について検討した。我々は,同値なグループ表現とニア線形時間定数係数近似アルゴリズムを用いたデータセットの最適アルゴリズムを開発した。
論文参考訳（メタデータ） (2025-06-10T10:33:21Z)
Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
論文参考訳（メタデータ） (2025-05-16T12:37:10Z)
Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。既存のSHGLメソッドには2つの大きな制限がある。ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文参考訳（メタデータ） (2024-12-01T09:33:20Z)
Multi-level Reliable Guidance for Unpaired Multi-view Clustering [7.441454668534061]
MRG-UMC(Multi-level Reliable Guidance for UMC) という手法を提案する。 MRG-UMCはマルチレベルクラスタリングを活用して、インナービュー、クロスビュー、コモンビューにわたる信頼できるクラスタ構造を学習する。クロスビュー学習では、信頼性の高いビューガイダンスは、他のビューにおけるクラスタ構造の信頼性を高める。
論文参考訳（メタデータ） (2024-07-01T12:49:55Z)
CCFC: Bridging Federated Clustering and Contrastive Learning [8.822947930471429]
本稿では,クラスタコントラスト・フェデレーション・クラスタリング(CCFC)という新しいフェデレーション・クラスタリング手法を提案する。 CCFCは、実用的な観点から、デバイス障害を扱う上で優れた性能を示す。
論文参考訳（メタデータ） (2024-01-12T15:26:44Z)
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)
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)
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)
Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文参考訳（メタデータ） (2021-04-03T15:32:49Z)
Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。