公平聚类
文章平均质量分 91
OFF JUMPOL
这个作者很懒,什么都没留下…
展开
-
SCALABLE SPECTRAL CLUSTERING WITH GROUP FAIRNESS CONSTRAINTS
虽然FairSC算法能够找到更公平的聚类,但由于计算零空间的内核和显式的密集矩阵的平方根,其代价较高。我们提出了一种新的底层谱计算公式,它结合了零空间投影和霍特林的压缩,这样得到的算法称为s-FairSC,只涉及稀疏的矩阵-向量乘积,并且能够充分利用公平SC模型的稀疏性。在改进的随机块模型上的实验结果表明,s-FairSC与FairSC在恢复公平聚类方面具有可比性。与此同时,对于中等尺寸的模型,它的速度提高了12倍。原创 2024-01-04 17:44:24 · 841 阅读 · 0 评论 -
Doubly Stochastic Normalization for Spectral Clustering
本文主要研究谱聚类中亲和矩阵的归一化问题。我们表明,N-cuts和Ratio-cuts之间的区别在于在寻找与输入亲和矩阵最接近的双随机矩阵时所使用的误差度量(相对熵与L1范数)。然后,我们开发了一种利用冯-诺伊曼连续投影引理在Frobenius范数下寻找最优双随机逼近的方案。新的归一化方案简单有效,提供了优于许多标准化测试的聚类性能。原创 2023-05-25 10:37:07 · 188 阅读 · 1 评论 -
An Overview of Fairness in Clustering翻译
机器学习(ML)已被用于解决许多重要问题,其中许多问题可能具有重大的社会影响。这些问题包括预测罪犯再犯率[1] - [5],发放银行贷款[6] - [8],短名单应聘者[9] - [13]和大学录取[14] - [16]。由于在大型数据集上训练的ML模型已被发现包含对个人和少数群体的偏见,因此在高影响力应用中使用时可能会进一步放大偏见。这已经在许多ML应用中得到证明,其中未将公平性视为评估标准。翻译 2023-02-26 15:00:32 · 405 阅读 · 0 评论