Fugu-MT 論文翻訳(概要): COVAriance-Induced Fairness Gap Penalty for Subgroup-Fair Clustering

論文の概要: COVAriance-Induced Fairness Gap Penalty for Subgroup-Fair Clustering

arxiv url: http://arxiv.org/abs/2607.18119v1
Date: Mon, 20 Jul 2026 16:14:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.703901
Title: COVAriance-Induced Fairness Gap Penalty for Subgroup-Fair Clustering
Title（参考訳）: サブグループフェアクラスタリングのためのコバリアンス誘起フェアネスギャップペナルティ
Abstract要約: フェアクラスタリングアルゴリズムであるCOVA-FCを提案する。我々はCOVA-FCが競争力のあるコスト対公平なトレードオフを実現し、サブグループと高階の限界設定の両方において既存のベースラインよりも計算効率を向上させることを示す。ベンチマークデータセットの実験では、COVA-FCは競争力のあるコスト対公平なトレードオフを達成し、サブグループと高次の境界設定の両方において既存のベースラインよりも計算効率を向上させることが示されている。
参考スコア（独自算出の注目度）: 9.978074549317652
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fair clustering aims to make cluster assignments independent of sensitive attributes, but this goal becomes challenging when multiple sensitive attributes jointly define many subgroups. In such settings, directly extending existing fair clustering algorithms is computationally expensive or numerically unstable, especially when the number of subgroups grows exponentially and some subgroups contain only a few instances. To address these challenges, we define a subgroup-fairness gap for clustering and derive a covariance-based surrogate that exactly matches this gap. We then introduce a continuous relaxation of the surrogate, enabling efficient gradient-based optimization and yielding our proposed algorithm, COVA-FC. We also show that subgroup fairness alone does not imply marginal fairness, and extend our framework to capture a subgroup-marginal-fairness gap. Experiments on benchmark datasets show that COVA-FC achieves competitive cost-fairness trade-offs and improves computational efficiency over existing baselines in both subgroup and higher-order marginal settings.
Abstract（参考訳）: Fair Clusteringは、センシティブな属性とは無関係にクラスタ割り当てを行うことを目的としているが、複数のセンシティブな属性が複数のサブグループを共同で定義する場合には、この目標が困難になる。このような設定では、既存の公正クラスタリングアルゴリズムを直接拡張することは計算コストがかかるか、数値的に不安定である。これらの課題に対処するために、クラスタリングのためのサブグループフェアネスギャップを定義し、このギャップに正確に一致する共分散ベースのサロゲートを導出する。次に、サロゲートの連続緩和を導入し、効率的な勾配に基づく最適化を可能にし、提案アルゴリズムであるCOVA-FCを得る。また、サブグループフェアネスだけでは限界フェアネスを含まないことも示し、サブグループ・マージナル・フェアネスギャップを捉えるために我々の枠組みを拡張した。ベンチマークデータセットの実験では、COVA-FCは競争力のあるコスト対公平なトレードオフを達成し、サブグループと高次の境界設定の両方において既存のベースラインよりも計算効率を向上させることが示されている。

関連論文リスト

Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
論文参考訳（メタデータ） (2026-07-08T02:50:02Z)
UniFair: A unified fair clustering approach based on separation and compactness [1.918113642696782]
分離フェアネスと社会的フェアネスを協調的に最適化する統合フレームワークUniFairを提案する。分離フェアおよび統一k平均目標に対する勾配に基づく最適化手法を開発した。実験により、UniFairはクラスタリング損失をわずかに増加させるだけで、境界関連とコストベースのグループ格差を減少させることが示された。
論文参考訳（メタデータ） (2026-06-03T12:00:22Z)
Doubly-Regressing Approach for Subgroup Fairness [14.327714719028924]
敏感な属性の数が増えると、サブグループの数が増加する。これにより、計算上の重荷とデータ空間の問題が発生する。サブグループフェアネスのための新しい学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2025-10-24T02:04:44Z)
Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
論文参考訳（メタデータ） (2025-06-09T18:46:27Z)
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)
Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
論文参考訳（メタデータ） (2022-10-13T06:04:43Z)
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)
Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
論文参考訳（メタデータ） (2021-10-06T09:47:41Z)
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)

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。