当前位置：首页 > article >正文

AAAI2024论文解读|Towards Fairer Centroids in k-means Clustering面向更公平的 k 均值聚类中心

article 2025/1/21 11:47:58

论文标题

Towards Fairer Centroids in k-means Clustering
面向更公平的 k 均值聚类中心

论文链接

Towards Fairer Centroids in k-means Clustering论文下载

论文作者

Stanley Simoes, Deepak P, Muiris MacCarthaigh

内容简介

本文提出了一种新的聚类级质心公平性（Cluster-level Centroid Fairness, CCF）概念，旨在解决传统 k 均值聚类中不同群体在聚类中心代表性上的不公平问题。作者通过引入 Fair-Centroid 方法，专注于提升每个聚类中最不利群体的代表性，从而实现更公平的聚类结果。该方法通过迭代优化框架实现，能够在保持聚类质量的同时显著降低群体间的代表性差异。实验结果表明，Fair-Centroid 在真实数据集上表现出色，为公平聚类提供了一种新的解决方案。

分点关键点

1.聚类级质心公平性（CCF）

提出了一种新的公平性概念，专注于每个聚类内部群体的代表性公平性，而非传统的数据集整体公平性。通过量化每个聚类中群体的代表性差异，CCF 能够更细致地捕捉聚类内的不公平性。

2.Fair-Centroid 方法

通过迭代优化框架实现，初始聚类分配会根据最不利群体的代表性进行调整，以提升其在每个聚类中的代表性。该方法结合了功利主义目标和公平性目标，通过超参数控制两者之间的权衡。

3.实验验证

在 Adult 和 CreditCard 数据集上验证了 Fair-Centroid 的有效性。结果表明，该方法能够在对聚类质量影响较小的情况下显著提升聚类级公平性，优于传统的 k 均值和公平 k 均值方法。

4.公平性与效用的权衡

通过调整超参数，Fair-Centroid 能够在公平性和效用之间实现平衡。实验表明，即使在较小的公平性权重下，该方法也能显著降低群体间的代表性差异，同时保持较高的聚类效用。

5.未来工作

提出了进一步优化 Fair-Centroid 的方向，包括设计更高效的算法（如线性规划松弛和线搜索）以及将该方法扩展到其他聚类算法（如 k-medoids 和模糊 c 均值）。

论文代码

代码链接：https://github.com/RyanWangZf/BioBridge

总结

本文围绕 k 均值聚类中的公平性问题展开研究，提出了一种新的聚类级质心公平性（CCF）概念，并通过 Fair-Centroid 方法实现了对每个聚类中最不利群体的代表性提升。该方法通过迭代优化框架，在保持聚类质量的同时显著降低了群体间的代表性差异。实验结果表明，Fair-Centroid 在真实数据集上表现出色，能够在对聚类效用影响较小的情况下显著提升公平性。未来工作将聚焦于优化算法效率和扩展到其他聚类范式。