論文の概要: UniFair: A unified fair clustering approach based on separation and compactness

• arxiv url: http://arxiv.org/abs/2606.04777v1
• Date: Wed, 03 Jun 2026 12:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.728288
• Title: UniFair: A unified fair clustering approach based on separation and compactness
• Title（参考訳）: UniFair: 分離とコンパクト性に基づく統一された公正クラスタリングアプローチ
• Authors: Antonia Karra, Vasiliki Papanikou, Georgios Vardakas, Evaggelia Pitoura, Aristidis Likas,
• Abstract要約: 両助詞の公平性と両助詞の公平性を協調的に最適化する統一的枠組みを提案する。 我々は分離フェアと$k$-meansの目的を統一した勾配に基づく最適化手法を開発し、オートエンコーダの潜在空間における同じ基準を強制することにより、それらを深層クラスタリングに拡張する。
• 参考スコア（独自算出の注目度）: 1.918113642696782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering is increasingly used to support high-impact decisions, yet standard objectives such as $k$-means can produce clusterings that treat demographic groups unequally. Existing fair clustering methods typically optimize a single notion of fairness and often overlook how clustering costs interact with the geometry of the induced decision boundaries. We propose \textsc{UniFair}, a unified framework that jointly optimizes \emph{separation fairness} and \emph{social fairness}. Separation fairness encourages protected groups to lie farther from the induced decision boundaries, while social fairness reduces disparities in within-cluster distortion by penalizing group-wise clustering costs. We develop gradient-based optimization procedures for separation-fair and unified $k$-means objectives, and extend them to deep clustering by enforcing the same criteria in the latent space of an autoencoder. Experiments on tabular and image datasets show that \textsc{UniFair} reduces both boundary-related and cost-based group disparities with only a modest increase in clustering loss.
• Abstract（参考訳）: しかし、$k$-meansのような標準的な目的は、人口集団を不平等に扱うクラスタリングを生成することができる。 既存の公正クラスタリング手法は、通常、公正性の単一の概念を最適化し、しばしばクラスタリングコストが誘導された決定境界の幾何学とどのように相互作用するかを見落としている。 本稿では, 統一されたフレームワークである \textsc{UniFair} を提案し, 共同で \emph{separation fairness} と \emph{social fairness} を最適化する。 分離公正性は、保護された集団が引き起こされた決定境界から遠く離れることを奨励する一方、社会的公正性は、集団的クラスタリングコストのペナルティ化によってクラスタ内歪みの格差を減少させる。 我々は分離フェアと$k$-meansの目的を統一した勾配に基づく最適化手法を開発し、オートエンコーダの潜在空間における同じ基準を強制することにより、それらを深層クラスタリングに拡張する。 表と画像のデータセットの実験では、‘textsc{UniFair} は境界関連とコストベースのグループ格差を減らし、クラスタリング損失はわずかに増加している。

関連論文リスト

• Fair Clustering via Alignment [12.12426896501947]
  クラスタリングにおけるアルゴリズムフェアネスは、与えられた機密属性に対して各クラスタに割り当てられたインスタンスの割合をバランスさせることを目的としている。 本稿では, 対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対物対
  論文  参考訳（メタデータ） (2025-05-14T04:29:09Z)
• 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)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Socially Fair Center-based and Linear Subspace Clustering [8.355270405285909]
  センターベースのクラスタリングと線形サブスペースクラスタリングは、現実世界のデータを小さなクラスタに分割する一般的なテクニックである。 異なる敏感なグループに対する1点当たりのクラスタリングコストは、公平性に関連する害をもたらす可能性がある。 本稿では,社会的に公平なセンタベースのクラスタリングと線形サブスペースクラスタリングを解決するための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-22T07:10:17Z)
• Fair Clustering Under a Bounded Cost [33.50262066253557]
  クラスタリングは、データセットをメトリクス空間内の近くのポイントで構成されるクラスタに分割する、基本的な教師なしの学習問題である。 最近の変種であるフェアクラスタリング(英語版)は、各点とその群のメンバーシップを表す色を関連付け、各色が群フェアネスを満たすために各クラスタに等しい表現(およそ)を持つことを要求する。 我々は,集団の実用的目的と集団の平等的目的,および集団の平等的目的を一般化するグループ・レキシミン的目的の2つの公正性を考察する。
  論文  参考訳（メタデータ） (2021-06-14T08:47:36Z)
• 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)
• Distributional Individual Fairness in Clustering [7.303841123034983]
  本稿では,距離空間に埋め込まれた個人を,有界なクラスタ中心上の確率分布に割り当てる枠組みを提案する。 p$-norm目的のクラスタリングアルゴリズムと、証明可能な近似保証付き個別フェアネス制約を提案する。
  論文  参考訳（メタデータ） (2020-06-22T20:02:09Z)
• Fair Correlation Clustering [92.15492066925977]
  相関クラスタリングの近似アルゴリズムは,いくつかの重要なフェアネス制約の下で得られる。 相関クラスタリングに対する公平な解は、最先端の(不公平な)アルゴリズムと比較して、コストを抑えながら得られることを示す。
  論文  参考訳（メタデータ） (2020-02-06T14:28:21Z)

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。