Deep Clustering-based Fair Outlier Detection阅读20210906_deep clustering based fair outlier detection-CSDN博客

本文链接：https://blog.csdn.net/abc1104542580/article/details/120130428

本文介绍了DCFOD，一种基于深度聚类的公平离群点检测方法，旨在解决无监督离群值检测的公平性问题。通过实例级加权表示学习和公平对抗训练，DCFOD在多个真实世界数据集上表现出优越的检测效果和群体公平性。实验表明，DCFOD在AUC、FGap和FRank等指标上优于其他17种算法，且对超参数和集群数量的选择具有鲁棒性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

来源：KDD ’21, August 14–18, 2021, Virtual Event, Singapore

一、主要内容
本文主要针对无监督离群值检测的公平性问题进行研究，在现有存在的两种公平检测算法FairLOF跟FairOD还存在一些不足，需要进一步改进的背景下，作者提出了基于深度聚类的公平离群点检测框架（DCFOD）。同时，还提出了一种实例级的加权表示学习策略，DCFOD框架通过该策略和公平-对抗训练来优化检测有效性和群体公平性。
在8个真实世界的数据集上，OCFOD在17种非监督离群点检测算法的对比实验，证明提出的OCFOD方法在离群点有效性和公平性的检测的检测上取得了较好的表现，有着较为明显的优势。
二、问题定义
A.框架模型
在这里插入图片描述

根据不同的应用场景，提出了丰富的公平概念，包括个体公平，群体公平和子群公平。
无监督离群点检测可以分解为无监督离群点检测和公平学习。如图1，,权值动态更新，OCFOD的表示学习由特征提取器和公平对抗子群鉴别器组成。
对于自适应公平性，本文进行最小-最大训练。而特征提取器用于使预测停止，实现预期的群体公平。动态权值更新模块则保证公平学习中离群点检测的有效性。

B.Weighted Representation Learning
特征提取器用来寻找样本中的潜在表示；子群鉴别器用来预测敏感子群隶属度。将训练目标建立为三个损失函数:自重构损失Ls、公平对抗损失Lf和聚类正则化Lr。

C.Self-reconstruction Loss
使用包含一个寻找特征表示的编码器和