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

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。

AAAI2024论文合集:

AAAI2024论文合集

希望这些论文能帮到你!如果觉得有用,记得点赞关注哦~ 后续还会更新更多论文合集!!

相关推荐
jonyleek21 分钟前
如何搭建一套安全的,企业级本地AI专属知识库系统?从安装系统到构建知识体系,全流程!
人工智能·安全
MQ_SOFTWARE1 小时前
AI驱动的金融推理:Fin-R1模型如何重塑行业决策逻辑
人工智能·金融
生医转码,四海为家1 小时前
零基础-动手学深度学习-6.6 卷积神经网络(LeNet)
人工智能·深度学习·cnn
无名工程师1 小时前
AI 学习过程中各阶段的学习重点、时间规划以及不同方向的选择与建议等内容
人工智能·学习
WXX_s2 小时前
【OpenCV篇】OpenCV——03day.图像预处理(2)
人工智能·python·opencv·学习·计算机视觉
有才不一定有德2 小时前
深入剖析 MetaGPT 中的提示词工程:WriteCode 动作的提示词设计
人工智能·aigc·提示词工程
花月mmc3 小时前
CanMV-K230 AI学习笔记系列
人工智能·笔记·学习
s1ckrain3 小时前
【论文阅读】ON THE ROLE OF ATTENTION HEADS IN LARGE LANGUAGE MODEL SAFETY
论文阅读·人工智能·语言模型·大模型安全
Jackilina_Stone3 小时前
【论文|复现】YOLOFuse:面向多模态目标检测的双流融合框架
人工智能·python·目标检测·计算机视觉·融合