Towards Cohesion-Fairness Harmony: Contrastive Regularization in Individual Fair Graph Clustering

要約

従来の公平なグラフ クラスタリング手法は、2 つの主な課題に直面しています。i) 厳格な制約を課すことにより、クラスタの凝集性を犠牲にしてバランスの取れたクラスタを優先します。ii) グラフ分割における個人レベルとグループ レベルの両方の公平性を実現する既存の手法は、主に固有分解に依存しているため、
一般に解釈可能性が欠けています。
これらの問題に対処するために、バランスの取れた凝集性のあるクラスターを実現する、対照的な公平性正則化を備えた個別の公平性非負行列 3 因数分解モデルである iFairNMTF を提案します。
公平性の正則化を導入することで、私たちのモデルはカスタマイズ可能な精度と公平性のトレードオフを可能にし、それによって非負行列の 3 因子化によって提供される解釈可能性を損なうことなくユーザーの自律性を強化します。
実際のデータセットと合成データセットに対する実験評価により、公平性とクラスタリング パフォーマンスを達成する際の iFairNMTF の優れた柔軟性が実証されました。

要約(オリジナル)

Conventional fair graph clustering methods face two primary challenges: i) They prioritize balanced clusters at the expense of cluster cohesion by imposing rigid constraints, ii) Existing methods of both individual and group-level fairness in graph partitioning mostly rely on eigen decompositions and thus, generally lack interpretability. To address these issues, we propose iFairNMTF, an individual Fairness Nonnegative Matrix Tri-Factorization model with contrastive fairness regularization that achieves balanced and cohesive clusters. By introducing fairness regularization, our model allows for customizable accuracy-fairness trade-offs, thereby enhancing user autonomy without compromising the interpretability provided by nonnegative matrix tri-factorization. Experimental evaluations on real and synthetic datasets demonstrate the superior flexibility of iFairNMTF in achieving fairness and clustering performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google