Core Concepts
ディープフェアクラスタリングは、離散および連続した敏感属性を扱い、他のタスクに転送可能な公平でクラスタリングに適した表現を学習します。
Abstract
クラスタリングは共通の属性を持つサンプルをグループ化し、異なるサンプルを分離する非監督学習の重要な課題です。
公平なクラスタリングは、公正性を保ちつつ有用性を維持することが目指されています。
提案手法は情報ボトルネック形式の目的関数を設計し、公平でクラスタリングに適した表現を学習します。
実験結果は、提案手法が既存手法よりも優れたパフォーマンスを示すことを示しています。
INTRODUCTION
クラスタリングは共通属性でサンプルをグループ化し、異なるサンプルを分離します。
公平なクラスタリングでは、公正性と有用性の両方が重要です。
PROBLEM FORMULATION AND MOTIVATIONS
ディープフェアクラスタリングの問題設定と動機付けについて説明されています。
既存手法が対応できない連続的敏感属性に焦点が当てられています。
EXPERIMENT
離散および連続した敏感属性を持つデータセットで実験が行われました。
提案手法は他の深層学習手法よりも優れたパフォーマンスを示しました。
Stats
提案手法は競合手法よりも高いACC(正解率)とNMI(正規化相亮情度)値を達成しました。