論文の概要: Incorporating Fairness in Neighborhood Graphs for Fair Spectral Clustering

• arxiv url: http://arxiv.org/abs/2512.09810v1
• Date: Wed, 10 Dec 2025 16:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.597849
• Title: Incorporating Fairness in Neighborhood Graphs for Fair Spectral Clustering
• Title（参考訳）: フェアスペクトルクラスタリングのための近傍グラフの公正化
• Authors: Adithya K Moorthy, V Vijaya Saradhi, Bhanu Prasad,
• Abstract要約: 本研究は,fair k-nearest neighbor (kNN) とfair epsilon-neighborhood graph を構築するための新しいアプローチを紹介する。 我々のアプローチは、幾何整合性を維持しながら、感度特徴の比例表現を局所グラフ構造に組み込む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph clustering plays a pivotal role in unsupervised learning methods like spectral clustering, yet traditional methods for graph clustering often perpetuate bias through unfair graph constructions that may underrepresent some groups. The current research introduces novel approaches for constructing fair k-nearest neighbor (kNN) and fair epsilon-neighborhood graphs that proactively enforce demographic parity during graph formation. By incorporating fairness constraints at the earliest stage of neighborhood selection steps, our approaches incorporate proportional representation of sensitive features into the local graph structure while maintaining geometric consistency.Our work addresses a critical gap in pre-processing for fair spectral clustering, demonstrating that topological fairness in graph construction is essential for achieving equitable clustering outcomes. Widely used graph construction methods like kNN and epsilon-neighborhood graphs propagate edge based disparate impact on sensitive groups, leading to biased clustering results. Providing representation of each sensitive group in the neighborhood of every node leads to fairer spectral clustering results because the topological features of the graph naturally reflect equitable group ratios. This research fills an essential shortcoming in fair unsupervised learning, by illustrating how topological fairness in graph construction inherently facilitates fairer spectral clustering results without the need for changes to the clustering algorithm itself. Thorough experiments on three synthetic datasets, seven real-world tabular datasets, and three real-world image datasets prove that our fair graph construction methods surpass the current baselines in graph clustering tasks.
• Abstract（参考訳）: グラフクラスタリングは、スペクトルクラスタリングのような教師なし学習手法において重要な役割を担っているが、グラフクラスタリングの伝統的な方法は、一部のグループを過小評価する不公平なグラフ構造を通してバイアスを持続させる。 本研究は, グラフ形成中の人口動態を積極的に強制する, 公正なk-アネレスト近傍グラフ(kNN)と公正なエプシロン近傍グラフを構築するための新しいアプローチを紹介する。 提案手法は, 局所的なグラフ構造に, 局所的な特徴の比例的表現を取り入れつつ, 幾何的整合性を維持しつつ, 局所的なグラフ構造に公平性制約を組み込むことにより, グラフ構築における位相的公正性は, 等値なクラスタリング結果を達成する上で不可欠であることを示す。 kNNやepsilon-neighborhood graphのような広く使われているグラフ構築手法は、エッジベースによるセンシティブなグループに対する異なる影響を伝播させ、偏りのあるクラスタリング結果をもたらす。 グラフの位相的特徴が自然に同値な群比を反映するため、各ノードの近傍における各感度群の表現がより公平なスペクトルクラスタリング結果をもたらす。 本研究は、グラフ構築における位相的公正性が、クラスタリングアルゴリズム自体の変更を必要とせずに、本質的により公平なスペクトルクラスタリング結果を促進することを説明することによって、公正な教師なし学習において不可欠な欠点を埋めるものである。 3つの合成データセット、7つの実世界の表グラフデータセット、3つの実世界の画像データセットに関する詳細な実験により、我々の公正グラフ構築手法がグラフクラスタリングタスクの現在のベースラインを超えていることが証明された。

関連論文リスト

• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models [22.421702511126373]
  ブロックモデルに対する統計的推測を利用して、有向グラフに対するスペクトルクラスタリングアルゴリズムの開発を導く。 我々は、スペクトル緩和の誤クラスタリング誤差に関する理論上界を確立し、この緩和に基づいて、有向グラフに対する新しい自己適応スペクトルクラスタリング法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:47:13Z)
• 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)
• A Unified Framework for Fair Spectral Clustering With Effective Graph Learning [12.343382413705394]
  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。
  論文  参考訳（メタデータ） (2023-11-23T01:43:00Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• 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。